تخمین مقادیر کیفی آب زیرزمینی با استفاده از روش‌های برنامه ریزی ژنتیک و توابع پایه شعاعی (مطالعه موردی آبخوان دشت مهران)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی دانشگاه ایلام

2 کارشناس ارشد آبیاری و زهکشی شرکت آب منطقه ای ایلام

3 مدرس مدعو گروه آب و خاک، دانشگاه ایلام

چکیده

در مطالعه آلودگی آبهای سطحی و زیرزمینی در مطالعات کیفیت آب، برآورد پارامترهای کیفیت آب مورد نیاز است. در این تحقیق با استفاده از روش برنامه‌ریزی ژنتیک (GP) مبتنی بر گراف و روش توابع پایه شعاعی (RBF) با استفاده از مقادیر عناصر شیمیایی موجود در آب چاههای کشاورزی دشت مهران شامل کلسیم (Ca)، منیزیم (Mg)، سدیم Na))، بیکربنات HCO3))، کلر Cl)) و سولفات SO4))، پارامترهای کیفی آب چاههای دشت مذکور شامل هدایت الکتریکی (EC)، کل مواد جامد محلول (TDS) و اسیدیته آب (PH) تخمین زده شده است. به این منظور آمار کیفی 20 ساله 10 حلقه چاه کشاورزی در سطح دشت مهران مورد استفاده قرار گرفته است. در معادلات بدست آمده از روش برنامه‌ریزی ژنتیک (GP) جهت تخمین EC پارامترهای Na و Ca، در معادله TDS آنیونهای Cl، HCO3 و SO4 ، همچنین در معادله PH پارامترهای CL، SO4 وHCO3 ، بیشترین تاثیر را داشتند. میانگین درصد خطای مطلق معادلات محاسبه شده نشان داد، معادلات از دقت قابل قبولی در برآورد مقادیر پارامتهای کیفی آب زیرزمینی برخوردارند. در روش توابع پایه شعاعی، مقادیر خطا برای تخمین پارامترهای کیفی EC، TDS و PH به ترتیب 046/0، .035/0 و 053/0حاصل شد. نتایج تحقیق نشان داد روش توابع پایه شعاعی (RBF) در تخمین پارامترهای کیفی عملکرد بهتری نسبت به روش برنامه‌ریزی ژنتیک (GP) داشته است و خطای تخمین پارامترهای کیفی در روش توابع پایه شعاعی برای داده‌های آموزش و آزمایش از روش برنامه‌ریزی ژنتیک کمتر است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Estimation of groundwater qualitative parameters using genetic programming and radial basis functions methods (Case study of Mehran plain aquifer)

نویسندگان [English]

  • Mojtaba Karami 1
  • Mehdi Karami 2
  • ebrahim darvishi 3
1 Ilam university, faculty of engineering, computer department
2 M.Sc.irrigation and drainage in Ilam Regional Water Company. Iran
3 3. Invited Assistant Professor, Department of Water and Soil. Ilam University
چکیده [English]

In the study of surface and groundwater pollution in water quality studies, estimation of water quality parameters is required. In this paper, the graph-based genetic programming (GP) method is used to obtain mathematical equations from the values of chemical elements in the water of agricultural wells in Mehran plain. These parameters include calcium (Ca), magnesium(Mg), sodium )Na), bicarbonate(Hco3), chlorine (CL), and sulfate(So4). the data gathered from 20-year quality information of 10 agricultural wells in Mehran plain. In the equations obtained from the genetic programming (GP) method for estimating EC, Na, and Ca parameters, in TDS equation, Cl, Hco3, and So4 anions, as well as in PH equation, CL, So4, and Hco3 parameters had the most effect. The mean percentage of absolute error of the calculated equations showed that the equations have acceptable accuracy in estimating the values of groundwater quality parameters. In the radial basis functions method, the error values for estimating the quality parameters EC, TDS, and PH were 0.046, 0.035, and 0.053, respectively. The results of this study showed that the genetic programming and the radial basis functions methods have acceptable accuracy in estimating groundwater quality data. The relationships obtained in the genetic programming method show acceptable accuracy and the estimation errors of radial basis functions are smal. In general, it can be said that the method of radial basis functions shows more accuracy in estimating groundwater quality parameters than genetic programming.

کلیدواژه‌ها [English]

  • artificial intelligence
  • genetic programming
  • groundwater
  • qualitative parameters
  • Radial basis function

مراجع

غلامی، و.، درخشان، ش. و درواری، ز. 1391. بررسی روش رگرسیون چند متغیره و شبکه عصبی مصنوعی در شبیه‌سازی آب زیرزمینی در سواحل استان مازندران. مجله پژوهش آب در کشاورزی، دوره 26، شماره 3، ص70-61.
میرسنجری، م.، محمدیاری، ف.، بصیری، ر. و حمیدی پور، ف. 1394.  "مدل‌سازی پارامترهای کیفی EC، SAR و TDS در آب زیرزمینی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: دشت مهران و دهلران)، نشریه انسان و محیط‌زیست، دوره 15، شماره 3،  ص 12-1.
عینلو، ف.، معافی رابری، ع، ملکیان، آ.، قضاوی، ر. و محسنی ساروی، م. 1394. بررسی کیفیت آب زیرزمینی دشت زنجان از نظر استانداردهای شرب با استفاده از رویکرد زمین آمار. مجله جغرافیا و برنامه‌ریزی محیطی، سال 27، شماره 2، ص 16-1.
Aytek A, Asce M and Alp M. 2008. An application of artificial intelligence for rainfall–runoff modeling. J Earth System Science 117: 145-155.
HRNİJA, B., Mehr, A. D. and SEFİK, B. 2019. Genetic programming for turbidity prediction: hourly and monthly scenarios. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi 25.8 (2019): 992-997.
Bi, Y., Xue, B. and Zhang, M. 2019. An evolutionary deep learning approach using genetic programming with convolution operators for image classification. In 2019 IEEE Congress on Evolutionary Computation (CEC) (pp. 3197-3204). IEEE.
Chadalawada, H. M. V. V. Herath, and V. Babovic. 2020. Hydrologically Informed Machine Learning for Rainfall‐Runoff Modeling: A Genetic Programming‐Based Toolkit for Automatic Model Induction. Water Resour. Res., vol. 56, no. 4, Apr. 2020, doi: 10.1029/2019WR026933.
Danandeh Mehr, Ali. Ercan, Kahya. and Cahit, Yerdelen. 2014. Linear genetic programming application for successive-station monthly streamflow prediction. Computers & Geosciences 70 (2014): 63-72.
Evolutionary Deep Learning. 2021. A Genetic Programming Approach to Image Classification. https://ieeexplore.ieee.org/abstract/document/8477933/ (accessed Jun. 21, 2021).
Hameed, M., Sharqi, S. S., Yaseen, Z. M., Afan, H. A., Hussain, A., & Elshafie, A. 2017. Application of artificial intelligence (AI) tEChniques in water quality index prediction: a case study in tropical region, Malaysia. Neural Computing and Applications, 28(1): 893-905.
Hatata, A., El-Gohary, E. H., Abd-Elhamid, H. F., & Said, N. 2021. Application of an artificial neural network for the improvement of agricultural drainage water quality using a submerged biofilter. Environmental Science and Pollution Research, 28(5): 5854-5866.
Hosseini, S.H., Karami, M., Olazar, M., Safabakhsh, R. and Rahmati, M., 2014. Prediction of the minimum spouting velocity by genetic programming approach. Industrial & Engineering Chemistry Research, 53(32): 12639-12643.
Huiqun, M, and Liu, L. 2008. Water quality assessment using artificial neural network. International Conference on Computer Science and Software Engineering. Vol. 1. IEEE, 2008.
Haykin, S. 2010. Neural networks and learning machines, 3/E. Pearson Education India.
Karami, M. 2013.  Development of cellular processing algorithms using genetic programming in machine vision application. Amirkabir University of Technology, 2013.
Koza, J, R.1992. Genetic programming: on the programming of computers by means of natural selECtion, vol. 1. MIT press, 1992.
Koza, J, R.1994. Genetic programming as a means for programming computers by natural selECtion. Stat. Comput., 4(2): 87–112, 1994.
Liang, J., Xue, Y. and Wang, J., 2020. Genetic programming based feature construction methods for foreground object segmentation. Engineering Applications of Artificial Intelligence, 89, p.103334.
Miller, J.F., Job, D. and Vassilev, V.K., 2000. Principles in the evolutionary design of digital circuits—Part I. Genetic programming and evolvable machines, 1(1): 7-35
Mustafa, H. M., MustapHa, A., Hayder, G., & Salisu, A. 2021. Applications of IoT and Artificial Intelligence in Water Quality Monitoring and Prediction: A Review. In 2021 6th International Conference on Inventive Computation TEChnologies (ICICT): 968-975 IEEE.
Suganuma, M., Shirakawa, S. and Nagao, T., 2017, July. A genetic programming approach to designing convolutional neural network architECtures. In Proceedings of the genetic and evolutionary computation conference :497-504
Vasicek, Z. and Sekanina, L., 2012, June. On area minimization of complex combinational circuits using cartesian genetic programming. In 2012 IEEE Congress on Evolutionary Computation: 1-8. IEEE.
Wright, G. B. (2003). Radial basis function interpolation: numerical and analytical developments. University of Colorado at Bou

فایل ها

هم رسانی

ارجاع به این مقاله

آمار