ارزیابی عملکرد مدل بهینه‌سازی شبکه پایش آب زیرزمینی بر پایه شبکه عصبی و جستجوی گرگ خاکستری (GNM) (مطالعه موردی: دشت بیرجند)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 منابع آب، گروه علوم و مهندسی آب، دانشگاه بیرجند

2 روه علوم و مهندسی آب، دانشگاه بیرجند، بیرجند، ایران،

چکیده

پایش کمّی آب زیرزمینی، با هدف بررسی و تعیین عوامل مؤثر در رفتار آبخوآن‌ها نقش به سزایی در مدیریت آب زیرزمینی هر منطقه دارد. بنابراین برای مطالعه تغییرات زمانی و مکانی سطح آب زیرزمینی، شبکه پایش کمّی آب زیرزمینی مورد نیاز است. این مطالعه در نظر دارد تا به منظور پایش کمی آبخوان دشت بیرجند و تعیین نقاط بهینه پیزومترها یک روش جدید تحت عنوان Gray wolf and Neural network Monitoring (GNM) را پیشنهاد دهد. در روش پیشنهاد شده از 2 مدل شبکه عصبی و جستجوی گرگ خاکستری به عنوان مدل شبیه‌ساز سطح آب زیرزمینی و مکان‌یابی موقعیت پیزومتر استفاده شده است. سطح آب زیرزمینی با تأخیرهای 1 تا 3 ماهه، ارتفاع توپوگرافی، تخلیه از آبخوان و مختصات به عنوان ورودی تخمین‌گر سطح آب زیرزمینی مدل  GNM تعیین گردید. مقادیر مشاهداتی کلیه مؤلفه­های ورودی با استفاده از ابزار درون‌یابی در محیط GIS برای کل سطح آبخوان بدست آمد. همچنین شاخص‌های RMSE و R2به عنوان مقدار تابع هدف در این قسمت از مطالعه درنظر گرفته شد. تابع هدف در قسمت مکان‌یابی، مقدار نمائی خطا بین سطح آب زیرزمینی مشاهداتی و شبیه‌سازی شده درنظر گرفته شد. همچنین به منظور افزایش دقت و کشف نقاط بهینه جدید برنامه از روش Polytope به عنوان مدل کمکی استفاده گردید. نتایج نشان داد با توجه به مقادیر شاخص‌های ارزیابی در قسمت شبیه‌سازی سطح آب زیرزمینیِ مدل GNM که با استفاده از شبکه عصبی انجام شد، مدل پیشنهاد شده از کارایی مناسبی در این زمینه برخوردار است. مقدار شاخص‌های RMSE و R2 در مرحله صحت‌سنجی به ترتیب 1/0 و 99/0 متر بدست آمد. همچنین ارزیابی نتایج مقایسه سطح آب زیرزمینی مشاهداتی و شبیه‌سازی شده نشان داد که مدل GNM در تعیین نقاط بهینه جدید نیز از قابلیت خوبی برخوردار می‌باشد. به­طوری­که مقدار تابع هدف تا سقف 0007/0 متر کاهش نشان داد. در نهایت موقعیت 10 پیزومتر جدید در آبخوان بیرجند با استفاده از مدل GNM تعیین شد. همچنین نتایج کاربرد روش Polytope نشان داد که این روش می‌تواند تا حد قابل قبولی در کشف نقاط بهینه جدید کارایی داشته باشد. به نحوی­که پیاده‌سازی این روش باعث شد که مقدار تابع هدف تا سقف 0001/0 کاهش پیدا کند. دقت تخمین سطح آب زیرزمینی در شبکه پیزومتری پیشنهاد شده توسط مدل GNM برای برآورد سطح آب زیرزمینی حدفاصل سال‌های 1390 تا 1392 بررسی شد. مقدار شاخص‌های ارزیابی برای هر کدام از پیزومترهای انتخاب شده تعیین گردید. نتایج نشان داد که شبکه پیزومتری پیشنهاد شده تا حد قابل قبولی سطح آب زیرزمینی را به درستی تخمین رده است.

کلیدواژه‌ها


عنوان مقاله [English]

Performance examination of optimization model of groundwater monitoring network based on Gray wolf and Neural network (GNM) (Case study: Birjand plain)

نویسندگان [English]

  • AHMAD Jafarzadeh 1
  • Abbas Khashei siuki 2
2 Assistant Professor of Water Engineering, University of Birjand, Iran
چکیده [English]

Quantity monitoring of groundwater with assessment and detection of main origins of the aquifer regime, has important role in management of groundwater in any region. Hence monitoring network of groundwater is importance for spacial and temporal variations of water table. This study proposes a new method named Gray wolf and Neural network Monitoring (GNM) to quantity monitoring of Birjand plain and detection of optimal location of piezometers.  In this proposed method used of neural network and Gray Wolf Algorithm (GWA) to estimate of water table and placement of piezometer location respectively. Water table with one to three month delay lag, topographic elevation, aquifer discharge and coordinate were considered as input of water table estimator (Neural Network) of GNM. The observation values of input components were interpolated on Birjand aquifer using of Geostatistical Analysis in GIS.  Also R2 and RMSE indices were used to skill evaluation of Neural Network. Exponential error between observed and simulated water table was assumed as fitness function in placement of piezometer location. Also used of Polytope algorithm to rise of accuracy and exploration of new optimal points. Results indicated that estimator of groundwater table of GNM has a noticeable performance. The value of R2 and RMSE indices in validation section achieved 0.1 and 0.9 m respectively. Also examine of comparison results of observation and simulation groundwater table showed that GNM has well skill in placement of piezometers location. So that the value of fitness function was decreased to 0.0007 m. The location of 10 new piezometers ultimately was recognized using of GNM. Also results of Polytope algorithm application indicated that this method can to have high capable to new optimal pints. So that using of this method could to reduce fitness function to 0.0001 m. Estimation skill of groundwater table in proposed piezometer network by GNM examined with comparison of observation and simulated groundwater table between 1390 to 1392. The values of R2 and RMSE indices were evaluated for any piezometer of new piezometer network. Results showed that proposed piezometer network has noticeable accuracy in estimation of water table.

کلیدواژه‌ها [English]

  • Keywords: Gray Wolf
  • Piezometer placement
  • Neural Network
  • Polytope

 

 

 

 

منابع

بزرگ حداد ا. 1384. ﺑﻬﯿﻨﻪﺳﺎزی ﻫﯿﺪروﺳﯿﺴﺘﻢﻫﺎ ﺑﺎ اﺳﺘﻔﺎده از اﻟﮕﻮرﯾﺘﻢ ﺑﻬﯿﻨﻪﯾﺎﺑﯽ ﺟﻔﺖ ﮔﯿﺮی زﻧﺒﻮرﻫﺎی ﻋﺴﻞ (HBMO). رساله دکتری. دانشگاه علم و صنعت.

جعفرزاده ا. ع.خاشعی سیوکی، ع. شهیدی. 1394. بررسی اثرات طرح تجمیع و تصفیه فاضلاب شهری بر تراز هیدرولیکی آبخوان تحت شرایط تغییر اقلیم در دوره 2014-2020 میلادی (مطالعه موردی: دشت بیرجند). نشریه آبیاری زهکشی ایران. 3(9). 490-499.

محمدی گیوشاد، ف.، ه. معماریان. ۱۳۹۵. بحران آب دشت بیرجند، عوامل، پیامدها و راهکارها، دومین همایش ملی مدیریت پایدار منابع خاک و محیط زیست (کیفیت، سلامت و امنیت خاک)، کرمان، گروه علوم و مهندسی خاک دانشگاه شهید باهنر کرمان، https://www.civilica.com/Paper-SMSER02-SMSER02_055.html

میرزائی ندوشن، ف.، ا. بزرگ­حداد، م. خیاطی خلقی. 1395. طراحی دو هدفه شبکه پایش سطح آب زیرزمینی با NSGII در دشت اشتهارد. مجله تحقیقات آب و خاک ایران، دوره 47، شماره 2، 345-354.

Coulibaly, P., Anctil, F., Aravena, R., & Bobée, B. (2001). Artificial neural network modeling of water table depth fluctuations. Water resources research, 37(4), 885-896.

Cieniawski, S. E., Eheart, J. W., & Ranjithan, S. (1995). Using genetic algorithms to solve a multiobjective groundwater monitoring problem. Water Resources Research, 31(2), 399-409.

Dadaser-Celik, F., & Cengiz, E. (2013). A neural network model for simulation of water levels at Daliakopoulos, I. N., Coulibaly, P., & Tsanis, I. K. (2005). Groundwater level forecasting using artificial neural networks. Journal of Hydrology, 309(1), 229-240.

Guyaguler, B., Horne, R. N., Rogers, L., & Rosenzweig, J. J. (2000, January). Optimization of well placement in a Gulf of Mexico waterflooding project. In SPE annual technical conference and exhibition. Society of Petroleum Engineers.

Kollat, J. B., & Reed, P. M. (2005). Comparison of multi-objective evolutionary algorithms for long-term monitoring design. In Impacts of Global Climate Change (pp. 1-11).

Koziel, S., & Leifsson, L. (2013). Surrogate-based modeling and optimization. Applications in Engineering.

Li, Y., & Hilton, A. B. C. (2005). Reducing spatial sampling in long-term groundwater monitoring networks using ant colony optimization. International Journal of Computational Intelligence Research, 1(1), 9-28.

McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. The bulletin of mathematical biophysics, 5(4), 115-133.

Mirjalili, S., Saremi, S., Mirjalili, S. M., & Coelho, L. D. S. (2016). Multi-objective grey wolf optimizer: a novel algorithm for multi-criterion optimization. Expert Systems with Applications, 47, 106-119.

Nelder, J.A., and Mead, R.: (2000) “A Simplex Method for Function Minimization,” Computer Journal, 7:308-313.

Ranjithan, S., Eheart, J. W., & Garrett, J. H. (1995). Application of neural network in groundwater remediation under conditions of uncertainty. New uncertainty concepts in hydrology and water resources, 133-140.

Razavi, S., Tolson, B. A., & Burn, D. H. (2012). Review of surrogate modeling in water resources. Water Resources Research, 48(7).

Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1985). Learning internal representations by error propagation (No. ICS-8506). California Univ San Diego La Jolla Inst for Cognitive Science.

Schaap, M. G., & Bouten, W. (1996). Modeling water retention curves of sandy soils using neural networks. Water Resources Research, 32(10), 3033-3040.

Shiri, J., Kisi, O., Yoon, H., Lee, K. K., & Nazemi, A. H. (2013). Predicting groundwater level fluctuations with meteorological effect implications—A comparative study among soft computing techniques. Computers & Geosciences, 56, 32-44.

Taormina, R., Chau, K. W., & Sethi, R. (2012). Artificial neural network simulation of hourly groundwater levels in a coastal aquifer system of the Venice lagoon. Engineering Applications of Artificial Intelligence, 25(8), 1670-1676.

Zhang, Q., & Sun, S. (2009, December). Weighted data normalization based on eigenvalues for artificial neural network classification. In International Conference on Neural Information Processing (pp. 349-356). Springer Berlin Heidelberg.