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


 

 
[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).