بهینه‌سازی چند هدفه شبکه پایش آب‌های زیرزمینی با بهره‌گیری از الگوریتم ژنتیک(NSGA-II) و روش‌ کریجینگ بیزین تجربی(EBK) (مطالعه موردی دشت سیلاخور)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار، دکتری مهندسی آب و سازه‌های هیدرولیکی ،گروه مهندسی عمران، دانشگاه آیت اله بروجردی(ره)، بروجرد، ایران

2 دانشجو، کارشناسی ارشد مهندسی آب و سازه‌های هیدرولیکی، گروه مهندسی عمران، دانشگاه آیت اله العظمی بروجردی(ره)، بروجرد، ایران

10.22125/iwe.2021.128201

چکیده

پژوهش حاضر به توسعه یک مدل بهینه شبکه پایش با دو هدف کمینه کردن هزینه­های پایش شبکه و بیشینه نمودن دقت مکانی شبکه پایش بر اساس کمینه کردن مقدار جذر میانگین خطا پرداخته است. به عنوان مطالعه موردی، طراحی بهینه شبکه پایش آب­های زیرزمینی در دشت سیلاخور واقع در استان لرستان مورد ارزیابی قرار گرفته است. بدین منظور داده­های مورد استفاده در این پژوهش بر اساس روش کریجینگ بیزین تجربی(EBK) در محیط نرم­افزار ArcGIS تولید و توابع هدف و فرآیند بهینه سازی در محیط نرم­افزار Matlab کد نویسی شد تا بر اساس قیود درنظر گرفته شده در نسخه دوم الگوریتم ژنتیک(NSGA-II) بتوان بهینه­ترین حالت شبکه را شناسایی نمود. مدل بهینه، از روش درون­یابی وزن­دهی معکوس فاصله(IDW) برای تولید سطح آب زیرزمینی استفاده می­نماید و سپس با مقادیر داده­های مشاهداتی مقایسه می­گردد. نتایج بدست آمده از پژوهش کفایت یک شبکه با دوازده ایستگاه پایش را با توزیع مکانی بهینه برای آبخوان دشت سیلاخور مناسب می­داند در حالی که شبکه پایش فعلی بیست و نه ایستگاه پایش دارد. همچنین مقدار جذر میانگین مربعات خطا(RMSE) برای شبکه بهینه 605/0 متر برآورد گردید. شبکه پایش بهینه در مقایسه با شبکه مشاهداتی موجود توانسته است تعداد ایستگاه­های شبکه پایش به میزان 60 درصد کاهش داده، توزیع مکانی ایستگاه­ها را بهبود ببخشد و پهنه­بندی مناسبی را نیز برای نقاط فاقد آمار پیش­بینی نماید.

کلیدواژه‌ها


عنوان مقاله [English]

Multi-Objective Optimization Groundwater Network Using Genetic Algorithm (NSGA-II) and Empirical Bayesian Kriging (EBK) Method (Case Study: Silakhor plain)

نویسندگان [English]

  • mahdi komasi 1
  • hesam goudarzi 2
1 Assistant Professor, Department of Civil Engineering, University of Ayatollah Ozma Boroujerdi, Boroujerd, Iran
2 M.Sc. Student of Civil Engineering – Water Engineering and Hydraulic Structures, University of Ayatollah Ozma Boroujerdi, Boroujerd, Iran
چکیده [English]

Groundwater resource management depended on data obtained from the aquifer. Groundwater monitoring network can provide groundwater levels, but sometimes this information so much and not useful. This study develops a new multi-objective simulation-optimization model involving two objectives: minimization of the total sampling cost for monitoring and maximization the spatially monitoring accuracy. Optimal design of groundwater network was considered in the Silakhor plain, regions of Lorestan, Iran. As the first step, a database includes of groundwater elevation in potential wells with use empirical Bayesian kriging (EBK) method in ArcGIS was produced. Inverse distance weighting (IDW) method used as simulation model and objective functions written in MATLAB software. Optimal groundwater monitoring network determines with preset conventions and finds by the non-dominated sorting genetic algorithm (NSGA-II). At final, a network with twelve observation stations that shown root mean square error (RMSE) value 0.605 meter. The optimal monitoring network, in comparison with the existing observation network, has been able to reduce the number of monitoring stations by 60%, improve the spatial distribution of stations, and predict appropriate zoning for unpredictable points.

کلیدواژه‌ها [English]

  • : Monitoring network
  • Multi-Objective Optimization
  • Genetic Algorithm
  • Empirical Bayesian kriging
  • Silakhor plain
جعفرزاده، م.، خاشعی سیوکی، ع.، 1397، ارزیابی عملکرد مدل بهینه­سازی شبکه پایش آب زیرزمینی بر پایه شبکه عصبی و جست و جوی گرگ خاکستری، نشریه علمی پژوهشی مهندسی آبیاری و آب ایران، شماره 31، 139-121.
صابری، ع.، سلطانی گردفرامرزی، س.، 1396، ارزیابی روش‌های زمین‌آمار در پهنه‌بندی شدت خشک‌سالی استان آذربایجان غربی، نشریه علمی پژوهشی مهندسی آبیاری و آب ایران، شماره 27، 165-151.
صفوی گردینی، م.، محمدرضاپور، ا.، بهرامی، ع.، محمدی صدیق، م.، سالاری جزی، م.، 1397، بررسی و ارزیابی تغییرات مکانی متغیر‌های کیفی آب زیرزمینی جنوب دشت قروه و دهگلان با استفاده از روش‌های زمین آمار، نشریه علمی پژوهشی مهندسی آبیاری و آب ایران، شماره 33، 182-167.
فروغی، ف. رضایی، م. 1392، بهینه­سازی شبکه پایش سطح آب زیرزمینی در دشت تبریز با استفاده از روش زمین آمار، فصلنامه زمین­شناسی محیط زیست (نشریه علمی-پژوهشی دانشگاه آزاد اسلامی واحد اسلامشهر). دوره 7، شماره22، 103-93.
قربانی، خ، سلاری­جزی، م، فرنیا، ا. 1397، ارزیابی روش کریجینگ بیزین تجربی در پهنه­بندی تراز آب زیرزمینی، پژوهش­های حفاظت آب و خاک، دوره25، شماره1، صفحه 165-182.
کماسی، م.، شرقی، س.، 1396، روندیابی عوامل موثر بر کاهش تراز آب زیرزمینی با بهره­گیری از تبدیلات موجک متقابل و ارتباطی، نشریه علمی پژوهشی مهندسی آبیاری و آب ایران، شماره 28، 151-138.
گنجی خرم دل، ن. کیخانی، ف. 1395. طراحی بهینه چاه­های مشاهده­ای در یک شبکه پایش سطح آب زیرزمینی با استفاده از الگوریتم فوق ابتکاری ژنتیک، پژوهشنامه مدیریت حوزه آبخیز (نشریه علمی-پژوهشی دانشگاه علوم کشاورزی و منابع طبیعی ساری). دوره 7، شماره 14، 166-159.
میرزایی ندوشن، ف. بزرگ حداد، ا. خیاط خلقی، م. 1395، طراحی دو هدفه شبکه پایش سطح آب زیرزمینی با استفاده از NSGA-II در دشت اشتهارد، مجله تحقیقات آب و خاک ایران (نشریه پردیس کشاورزی و منابع طبیعی دانشگاه تهران). دوره 47، شماره2، 354-345.
Bashi-Azghadi, S.N. and Kerachian, R., 2010. Locating monitoring wells in groundwater systems using embedded optimization and simulation models. Science of the Total Environment, 408(10), pp.2189-2198.
Bhat S, Motz LH, Pathak C and Kuebler, L, 2015. Geostatistics-based groundwater-level monitoring network design and its application to the Upper Floridan aquifer, USA. Environmental monitoring and assessment, 187(1): 4183.
Dhar A, and Patil RS, 2012. Multiobjective design of groundwater monitoring network under epistemic uncertainty. Water resources management, 26(7): 1809-1825.
Esquivel, J.M., Morales, G.P. and Esteller, M.V., 2015. Groundwater monitoring network design using GIS and multicriteria analysis. Water resources management, 29(9), pp.3175-3194.
Hosseini, M. and Kerachian, R., 2017. A Bayesian maximum entropy-based methodology for optimal spatiotemporal design of groundwater monitoring networks. Environmental monitoring and assessment, 189(9), p.433.
Huang, Z., Wang, H. and Zhang, R., 2012. An improved kriging interpolation technique based on SVM and its recovery experiment in oceanic missing data. American Journal of Computational Mathematics, 2(01), p.56.
Khader, A.I. and McKee, M., 2014. Use of a relevance vector machine for groundwater quality monitoring network design under uncertainty. Environmental modelling & software, 57, pp.115-126.
Konak A, Coit DW, Smith AE, 2006. Multi-objective optimization using genetic algorithms: A tutorial. Reliab. Eng. Syst. Saf. 91, 992–1007.
Krivoruchko, K., 2012. Empirical bayesian kriging. ArcUser Fall, pp.6-10.
Leach JM, Coulibaly P, Guo Y, 2016. Entropy based groundwater monitoring network design considering spatial distribution of annual recharge. Advances in water resources. 96(1):108-19.
Loaiciga HA, Charbeneau RJ, Everett LG, Fogg GE, Hobbs BF, and Rouhani S, 1992. Review of ground-water quality monitoring network design. Journal of Hydraulic Engineering, 118(1), 11-37.
Luo Q, Wu J, Yang Y, Qian J, and Wu J, 2016. Multi-objective optimization of long-term groundwater monitoring network design using a probabilistic Pareto genetic algorithm under uncertainty. Journal of Hydrology, 534, 352-363.
Pourshahabi, S., Talebbeydokhti, N., Rakhshandehroo, G. and Nikoo, M.R., 2018. Spatio-Temporal Multi-Criteria Optimization of Reservoir Water Quality Monitoring Network Using Value of Information and Transinformation Entropy. Water Resources Management, pp.1-16.