پیش‌بینی شوری آب زیرزمینی زیر لوله‌های زهکش با استفاده از شبکه عصبی

نوع مقاله : پژوهشی

نویسندگان

دانشگاه بوعلی سینا همدان

چکیده

آگاهی از شوری لایه­های خاک زیر زهکش­ها بویژه در مناطقی با آب زیرزمینی کم عمق و شور مانند خوزستان منجر به انتخاب و طراحی بهترین عمق و فاصله زهکش می­شود. در تحقیق حاضر کاربرد روش شبیه­سازی شبکه عصبی مصنوعی در پیش­بینی روند تغییرات شوری آب زیرزمینی زیر لوله­های زهکش آزموده شد. به منظور واسنجی و اعتباریابی نتایج مدل از داده­های جمع­آوری شده از یک مدل آزمایشگاهی با ابعاد 8/1 در 1 در 2/1 متر استفاده گردید. در این مدل زهکش­ها در عمق­های 20، 40 و 60 سانتی­متری و در هر عمق در سه فاصله 60، 90 و 180 سانتی­متری نصب شدند. در روش شبکه عصبی مصنوعی از الگوریتم آموزش لونبرگ- مارکوارت با تابع انتقال سیگموئید، استفاده شد. پس از تجزیه و تحلیل آماری و محاسبه ریشه میانگین مربعات خطا، خطای استاندارد و ضریب همبستگی میزان برازش میان مقادیر واقعی و شبیه­سازی شده تغییرات شوری آب زیرزمینی محاسبه شد. مقدار این شاخص­ها به ترتیب 27/5 دسی­زیمنس بر متر، 12/0 و 96/0 برآورد گردید. مقادیر این شاخص ها برای  شوری خروجی از زهکش­ها در اعماق و فواصل مختلف نسبت به زمان و با دبی­های 07/0، 11/0 و 14/0 لیتر بر ثانیه به­ترتیب برابر با 34/0 دسی­زیمنس بر متر، 09/0 و 99/0 می­باشد. نتایج نشان داد روش شبکه عصبی مصنوعی در شبیه­سازی روند تغییرات شوری آب زیرزمینی زیر لوله­های زهکش و همچنین روند تغییرات شوری زه آب خروجی در اعماق و فواصل مختلف زهکش ها از دقت خوبی برخوردار است

کلیدواژه‌ها


عنوان مقاله [English]

Predicting the Groundwater Salinity under Drain Pipes Using Artificial Neural Network

نویسندگان [English]

  • Hamed nozari
  • Saeed Azadi
چکیده [English]

Awareness of salinity of soil layers under drains, particularly in areas with shallow saline groundwater such as Khozestan leads to design the best depth and spacing drain. In this study the application of artificial neural network modeling to predicting of changes in groundwater salinity under drain pipes have been tested. In order to calibrate and validate the model results, data collected from experimental model with 1.8 m long, 1 m wide and 1.2 m high were used. In the model, drains were installed at 20, 40 and 60 cm depths and spacing of 60, 90 and 180 cm. In the method of artificial neural network, LevenbergMarquardt learning algorithm with SigmoidAxon transfer function was used. After statistical analysis and calculation of RMSE, the standard error and correlation coefficient, adjustment between measured and simulated values of changes in groundwater salinity was calculated. The value of these product indexes 5.27 ds/m, 0.12 and 0.96 was estimated respectively. Changes in drains salinity in different depths and spaces over time with discharges of 0.07, 0.11 and 0.14 lit/s are 0.34 dS/m, 0.09 and 0.99, respectively. The results showed that artificial neural network method on simulating of changes in groundwater salinity under drain pipes and also changes in drain water salinity in difference depths and spaces of drains have reasonable accuracy.

کلیدواژه‌ها [English]

  • Drainage
  • Experimental model
  • Simulation
  • Underground drain
1 [ مریم نوابیان، عبدالمجید لیاقت، "طراحی بهینه سیستمهای زهکشی بر اساس مسایل زیست محیطی با استفاده از الگوریتم ژنتیک"،
همایش ملی مدیریت شبکههای آبیاری و زهکشی دانشگاه شهید چمران اهواز، 12 تا 14 اردیبهشت، 1385 .
[ 2 [ بیژن نظری، عبدالمجید لیاقت، مسعود پارسینژاد، عبد علی ناصری، "بهینهسازی عمق نصب زهکشهای زیرزمینی با ملاحظات اقتصادی
و زیستمحیطی"، پنجمین کارگاه فنی زهکشی و محیط زیست کمیته ملی آبیاری و زهکشی ایران، 16 آبان 1387 .
[3] I. Wesström, I. Messing, H. Linnér, J. Lindström, “Controlled drainage-effects on drain outflow and water quality”, Agricultural water management, Vol. 47, 2001, pp. 85-100.
[4] J.W. Hornbuckle, E.W. Christen, R.D. Faulkner, “Evaluating a multi-level subsurface drainage system for improved drainage water quality”, Agricultural water management, Vol. 89, 2007, pp. 208–216.
[ 5 [ حامد نوذری، عبدالمجید لیاقت، مجید خیاطخلقی، "شبیهسازی حرکت آب و نمکها در سامانه زهکشی زیرزمینی با استفاده از روش
تحلیل پویایی سیستم" مجله آبیاری و زهکشی ایران، دوره 3 ، شماره 2 ، پاییز 1388 ، صفحه 39 - 28 .
[ 6 [ حامد نوذری، عبدالمجید لیاقت، مجید خیاط خلقی، عسگر صدیقی، "شبیهسازی زهکش زیرزمینی در شرایط غیر ماندگار با استفاده از
تکنیک تحلیل پویایی سیستم" مجله تحقیقات مهندسی کشاورزی، دوره 10 ، شماره 2 ، تابستان 1388 ، صفحه 86 - 71 .
[ 7 [ فرهاد اصلانی، امیر حسین ناظمی، سید علی اشرف صدرالدینی، احمد فاخریفرد، محمد علی قربانی، "برآورد عمق و فاصلة مناسب
زهکشهای زیرزمینی بر اساس کیفیت زهآب خروجی" مجله تحقیقات آب و خاک ایران، دوره 41 ، شماره 2 ، زمستان 1389 ،
صفحه 146 - 139 .
[ 8 [ فهیمه رضی، عباس ستودهنیا، پیمان دانشکار آراسته، مجتبی اکرم، "بررسی آزمایشگاهی تاثیر عمق نصب زهکش بر شوری زهآب
خروجی از نیمرخ خاک رس سیلتی"، مجله تحقیقات آب و خاک ایران، دوره 43 ، شماره 3 ، زمستان 1391 ، صفحه 288 - 281 .
[9] J.M. Bruton, R.W. Mcclendon, G. Hoogenboom, “Estimating daily pan evaporation with artificial neural network”, Thanks. ASCE, Vol. 43, 2000, pp. 492-496.
[10] P. Licznar, M.A. Nearing, “Artificial Neural Networks for soil erosion and runoff prediction at the plot scale”, Catena, Vol. 51, 2003, pp. 89-114.
[ 11 [ مینا آذرنوش، "مدلسازی تغییرات سطح ایستابی در خاک با استفاده از مدل drainmod و شبکه عصبی مصنوعی )مطالعه موردی
خوزستان("، پایان نامه کارشناسی ارشد مهندسی آبیاری و زهکشی، دانشکده کشاورزی، دانشگاه تربیت مدرس، 1383 .
[ 12 [ شهرام درخشان، وحید غلامی، زهرا درواری، "شبیهسازی شوری آب زیرزمینی با استفاده از شبکه عصبی مصنوعی ) ANN ( در سواحل
استان مازندران"، مجله علوم و مهندسی آبیاری، دوره 36 ، شماره 2 ، تابستان 1392 ، صفحه 70 - 61 .
[ 13 [ وحید غلامی، شهرام درخشان، زهرا درواری، "بررسی روش رگرسیون چند متغیره و شبکه عصبی مصنوعی ) ANN ( در شبیهسازی
شوری آب زیرزمینی در سواحل استان مازندران"، مجله پژوهش آب در کشاورزی، جلد 26 ، شماره 3 ، 1391 ، صفحه 365 - 355 .
[ 14 [ حسن اوجاقلو، حامد ابراهیمیان، عبدالمجید لیاقت، مسعود پارسی نژاد، "پیش بینی سطح ایستابی و شدت تخلیه سیستم زهکشی
زیر زمینی با استفاده از شبکه عصبی مصنوعی"، دومین همایش ملی مدیریت شبکه های آبیاری و زهکشی دانشگاه شهید چمران
اهواز، 8 تا 10 بهمن، 1387 .
[15] K.P. Singh, A. Basant, A. Malik, G. Jain, “Artificial neural network modeling of the river water quality-A case study”, Ecological Modelling, Vol. 220, 2009, pp. 888-895.