عنوان

پیش‌بینی سطح آب زیرزمینی با استفاده از روش‌های هوش مصنوعی( مطالعه موردی :آبخوان دشت مشگین شهر)

شماره

‭۱۵۶۷۳پ‬

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

پیش‌بینی سطح آب زیرزمینی با استفاده از روش‌های هوش مصنوعی( مطالعه موردی :آبخوان دشت مشگین شهر)

نام نخستين پديدآور

/فاطمه واحدی

نام ناشر، پخش کننده و غيره

: علوم طبیعی

تاریخ نشرو بخش و غیره

، ‮‭۱۳۹۴‬

متن يادداشت

چاپی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

زمین‌شناسی، گرایش هیدروژئولوژی

زمان اعطا مدرک

‮‭۱۳۹۴/۱۱/۱۳‬

کسي که مدرک را اعطا کرده

تبریز

متن يادداشت

عمده تقاضا برای آب شرب و کشاورزی در دشت مشگین شهر از طریق آب زیرزمینی تأمین می‌شود .بنابراین به‌منظور حفاظت و مدیریت صحیح این منابع ارزشمند، مطالعه و بررسی تغییرات سطح آب زیرزمینی در این دشت ضروری می‌باشد .محدوده‌ی مطالعاتی مشگین‌صشهر که در شمال غرب ایران در استان اردبیل واقع شده و دارای وسعتی در حدود ‮‭۷۰۵‬ کیلومترمربع می‌باشد، یکی از زیر حوضه‌های رودخانه ارس بوده و در حوضه آبریز دریای خزر قرار دارد .کوه‌ص‍ سبلان با قله‌صای به ارتفاع ‮‭۴۸۱۴‬ متر از سطح دریا مرتفع‌صترین نقطه‌صی منطقه می‌صباشد که در قسمت جنوب شرقی مشگین‌صشهر واقع شده است و پست‌ترین نقطه مربوط به خروجی دشت که در روستای صاحبدیوان قرار دارد و ارتفاع آن ‮‭۷۱۴‬ متر از سطح دریا می‌باشد .از رودخانه‌صهای مهم آن می‌صتوان به مشگین‌صچای و خیاوچای اشاره نمود که پس از پیوستن به رودخانه قره‌صسو به ارس می‌صریزد .آبخوان دشت مشگین شهر از نوع آزاد است .متوسط دمای سالیانه منطقه در ایستگاه آبیاری مشگین‌صشهر ‮‭۵/۱۰‬ درجه‌صسانتی‌گراد و میزان متوسط سالانه بارش در چهار ایستگاه موجود در دشت ‮‭۶/۳۴۲‬ میلی‌متر در سال می‌باشد .همچنین اقلیم منطقه بر اساس اقلیم‌صنمای آمبرژه از نوع نیمه‌خشک سرد تعیین شد .با توجه به شرایط پیچیده و غیرقابل مشاهده‌صی محیط زیرسطحی، مدل‌سازی آب‌های زیرزمینی به‌عنوان ابزاری قدرتمند برای توسعه برنامه‌ریزی‌های مدیریتی قابل‌اجرا در مورد آب‌های زیرزمینی و محافظت از این منبع حیاتی می‌باشد .در این میان مدل‌های تجربی ازجمله روش‌های هوش مصنوعی می‌توانند در زمانی کوتاه‌تر با صرف هزینه کمتر و با داده‌های در دسترس محدود، نتایج ارزشمندی را ارائه دهند .در این تحقیق از روش‌صهای هوش مصنوعی مانند شبکه عصبی پیشرو، شبکه عصبی برگشتی، فازی ساگنو، فازی ممدانی، فازی لارسن و ماشین بردار پشتیبان برای پیش‌صبینی زمانی سطح آب‌صزیرزمینی استفاده شد .به‌طوری‌که از میزان حجم آب برداشتی از چاه‌های بهره‌صبرداری، دما، بارش و سطح آب زیرزمینی ماهانه در گام زمانی‮‭t۰‬ - ‮‭۱‬به‌عنوان ورودی مدل‌صها استفاده شد .برای مدل‌سازی داده‌های ورودی و خروجی به دو دسته آموزش و آزمایش تقسیم شدند .به‌طوری که ‮‭۸۰‬ داده‌ها‮‭۸۹) - (۸۳‬برای مرحله آموزش و ‮‭۲۰‬ مابقی‮‭۹۱) - (۹۰‬برای مرحله آزمایش انتخاب شدند .نتایج به‌دست‌آمده نشان داد که همه مدل‌صهای بکار رفته توانایی بالایی در پیش‌صبینی سطح آب زیرزمینی را دارا می‌باشند .اما به‌طور کلی نتایج حاصل از مدل ماشین بردار پشتیبان اندکی از دیگر مدل‌های منفرد استفاده‌شده بهتر بود .لذا مدل مرکب هوش مصنوعی نظارت شده برای ترکیب مدل‌صهای منفرد و استفاده همزمان از مزایای تمام مدل‌صها به طور همزمان بکار گرفته شد .این مدل بهترین نتیجه را ارائه داد .همچنین از روش‌های زمین‌آماری کریجینگ و کوکریجینگ به‌عنوان روشی کارا برای پیش‌بینی مکانی سطح آب زیرزمینی در دشت برای مناطق فاقد پیزومتر استفاده شد .در این روش از نتایج مدل ماشین بردار پشتیبان که شامل داده‌های یش‌صبینی ماهانه سطح آب زیرزمینی برای بازه ‮‭۱۹‬ ماهه می‌باشد، به‌عنوان ورودی روش زمین‌آمار بکار رفت .دلیل انتخاب خروجی ماشین بردار پشتیبان به‌عنوان ورودی برای روش‌های کریجینگ و کوکریجینگ کمترین خطای حاصله از این مدل نسبت به دیگر مدل‌ها می‌باشد

متن يادداشت

Main drinking and agriculture demands in Meshginshahr plain are supplied by groundwater resources. So that investigation of groundwater level fluctuations is necessary for effective groundwater management and protection. Meshginshahr plain area is about 704 Km2 which is located in Northwest Iran in the province of Ardabil. The study area is one of Aras River subbasins, and is located in Khazar Lake watershed. Sabalan Mount with the height of 4814 meters is the highest point in the eastern south of the region, and the lowest point with the height of 714 meters is located in Sahebdivan village. Meshgin Chaie and Khiyaw Chaie are the main rivers of the plain that after adding to Garesu River join to Aras river. The aquifer of this plain is unconfined. According to Abyari Meshginshahr station the average annual temperature is 10.5 ?C and based on four existing station the average annual rainfall is 342.6 mm. Based on Emberger, the prevailing climate in this plain is semiarid-cold. Due to the complex condition and invisible subsurface environment, groundwater modeling is a powerful tool for development of effective management and protection of groundwater as a vital resource. The empirical models like artificial intelligence methods can provide valuable results with limited available data. In contrast to numerical model, these methods are not time consuming and costly neither. In this study, temporal groundwater level prediction was done using artificial intelligence techniques such as feed-forward neural network, recurrent neural network, sugeno fuzzy logic, mamdani fuzzy logic, larsen fuzzy logic, and support vector machine. Based on the trial and error method, the temperature, precipitation, discharge of abstraction wells and groundwater level with one month lag (t0-1) were used as inputs of models. Notably, monthly input data were obtained during 9 years, (2004-2012) from Ardabil Regional Water Authority. Input and output data were divided into two training and testing steps for modelling. 80 of data were used for training step and the rest 20 were used for test step. The results showed that all applied models have the great ability to predict the groundwater level. But in general, results of models indicated that SVM is slightly better than other individual models. So that supervised committee machine with artificial intelligence (SCMAI) was applied to reap the advantages of all models simultaneously. The geostatistical methods like kriging and cokriging was used as an effective way to predict groundwater level spatially in areas of plain without piezometers. In this method, the results of support vector machine model, which contains monthly predicted data of groundwater level for a period of 19 months, were used as input of geostatistical methods. The least error resulting from SVM model over other individual models is the reason of selecting its output as input for the kriging and cokriging techniques

مستند نام اشخاص تاييد نشده

واحدی، فاطمه

مستند نام اشخاص تاييد نشده

ندیری، عطالله، استاد راهنما

مستند نام اشخاص تاييد نشده

اصغری مقدم، اصغر، استاد راهنما

مستند نام اشخاص تاييد نشده

کدخدایی، علی، استاد مشاور

يادداشت عمومي

سیاه و سفید

وضعیت فهرست نویسی

نمایه‌سازی قبلی