شبیه‌سازی تغییرات کیفی آب زیرزمینی با مدل شبکة عصبی مصنوعی (مطالعة موردی: آبخوان کاشان)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 ‏ کارشناس ارشد آبخیزداری، دانشکدة منابع طبیعی و علوم زمین، دانشگاه کاشان

2 استادیار دانشکدة منابع طبیعی و علوم زمین، دانشگاه کاشان

3 استادیار گروه عمران، دانشکدة مهندسی، دانشگاه کاشان

4 دانشیار دانشکدة علوم و فنون نوین، دانشگاه تهران

چکیده

مجاورت آبخوان کاشان با جبهة آب شور دریاچة نمک به پیشروی آب شور به داخل آبخوان منجر شده است. در این پژوهش، با توجه به وضعیت موجود، شبیه‏سازی کیفی آب زیرزمینی دشت کاشان با استفاده از مدل‏های شبکة عصبی مصنوعی انجام شد. بدین منظور، نخست به تعیین تیپ غالب آب منطقه پرداخته شد. سپس، اقدام به مدل‏سازی شد. نتایج حاصل از بررسی تیپ آب به وسیلة نمودار پایپر نشان داد که کلرور- سدیم تیپِ غالب آب منطقه است. بنابراین، در مدل‏سازی‏ها متغیرهای ورودی مدل شامل تراز سطح ایستابی، ارتفاع بارندگی سالیانه، و غلظت کلر در سال قبل و متغیر خروجی مدل غلظت کلر در سال جاری بوده است. نتایج نشان داد مدل MLP نسبت به مدل RBF نتیجة بهتری در پیش‏بینی غلظت کلر داشته است. نتایج حاصل از آنالیز حساسیت نشان داد غلظت کلر و تراز سطح ایستابی در سال قبل به‌ترتیب مهم‏ترین تأثیر را در نتایج شبیه‏سازی غلظت کلر سال جاری داشته‌اند.

کلیدواژه‌ها


عنوان مقاله [English]

Artificial Neural Network (ANN) Model for Ground Water Quality Simulation (Case study: Kashan aquifer)

نویسندگان [English]

  • mohammad mirzavand 1
  • Hoda ghasemieh 2
  • mahmud akbari 3
  • seyed javad sadatinejad 4
1 M.Sc. Former Student of Watershed Management, College of Natural Resources and Geoscience, University of Kashan
2 Assistant professor, College of Natural Resources and Geoscience, University of Kashan
3 4 Assistant professor, College of civil engineering, University of Kashan
4 associate professor, College of new sciences and technologies, University of Tehran
چکیده [English]

Kashan aquifer is adjacent to Salt Lake. Because of this adjacency, the saline water of the lake has moved to the aquifer. In this study groundwater quality of the aquifer was simulated using Artificial Neural Network (ANN) model. For this purpose, the dominant ion of water was first determined by Piper diagram. Results showed that the sodium chloride is the dominant ion of water and so it was selected as the target variable to be simulated So the output variable of the ANN model was the concentration of sodium chloride in current year while the input variables were the water table of groundwater, yearly rainfall and the concentration of sodium chloride in previous year. Result showed that Multilayer Perceptron ANN model has better result in predict of chlorine concentration compared to Radial Basis ANN model. The sensitivity analysis showed that concentration of chloride in previous year and water table of groundwater are the most important variables in the ANN model respectively.
 
 

کلیدواژه‌ها [English]

  • Water quality
  • Artificial Neural Network
  • Kashan Aquifer
  • Sodium- Chloride

 

 
[1] Affadi, A., Watanabe, K. and Tirtomihardjo, H. (2007). Application of an artificial neural network to estimate groundwater level fluctuation, Journal of Spatial Hydrology, 7, 23-46.
[2] Chan, H.J. (2001). Effect of landuse and urbanization on hydrochemistry and contamination of groundwater from Taejon area, Korea, Journal of Hydrology, 253, 194-210.
[3] Chitsazan, M., Rahmani, Gh. and Neyamadpour, A. (2013). Groundwater level simulation using artificial neural network (case study: Aghili plain, urban area of Gotvand, South-‏West of Iran), Journal of Geopersia, 3(1), 35-46.
[4] Coppola, E., Szidarovszky, F., Poulton, M. and Charls, E. (2003). Artificial neural network approach for predicting transient water levels in multilayered groundwater system under variable state, pumping, and climate conditions, Journal of Hydrology, 8(6), 348-380.
[5] Daliakopoulos, I.N., Coulibalya, P. and Tsanis, I.K. (2005). Groundwater level forecasting using artificial neural network, Journal of Hydrology, 309, 229-240.
[6] Ioannis, N., Daliakopoulos, A.P., Coulibalya, I. and Tsanis, K. (2005). Groundwater level forecasting using artificial neural networks, Journal of Hydrology, 309, 229-240.
[7] Izadi, A., Davari, K., Alizadeh, A., Ghahraman, B. and Haghayeghimoghadam, S.A. (2007). Water Table level prediction using artificial neural network (case study: Plain Neyshapur), Journal of Irrigation and Drainage, 1, 59-71 (In Persian).
[8] Gholami, V., Derakhshan, Sh. and Darvari, Z. (2012). Evaluation of multivariate regression and artificial neural network in simulating groundwater salinity in the coastal Mazandaran province, Journal of Water in Agriculture, 26(3), 354-365 (In Persian).
[9] Jothiprakash, V. and Sakhare, S. (2008). Groundwater level fluctuation using Artificial Neural Network, The 12th International Conference of International Association for Computer Methods and Advances in Geomechanics (IACMAG), 1-6 October, Goa, India, pp. 1750-‏1754.
[10] Ming Kuo, Yi., Wuing Liu, C. and Hung Lin, K. (2004). Evaluation of the ability of an artificial neural network model to assess the variation of groundwater quality in an area of Blackfoot disease in Taiwan, Journal of Water Research, 38, 148-158.
[11] Mirarabi, A. and Nakhae, M. (2008). Prediction of groundwater level fluctuations plain Birjand using artificial neural network, 12th Conference of the Geological Society, Ahwaz, Iran, pp. 1-8 (In Persian).