مقایسه روش‌های سیستم استنتاج فازی- عصبی تطبیقی، شبکه عصبی مصنوعی و برنامه‌ریزی بیان ژن در تخمین میزان سختی آب زیرزمینی (مطالعه موردی: دشت مازندران)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 کارشناس ارشد منابع آب، دانشگاه تبریز

2 دانشجوی دکترای منابع آب، دانشگاه چمران

3 کارشناسی ارشد سازه آبی، دانشگاه چمران

چکیده

میزان سختی آب زیرزمینی عامل مهمی در مسائل هیدروژئولوژی و بویژه مطالعه کیفی آب­های زیرزمینی می­باشد. در چند دهه اخیر سیستم­های هوش مصنوعی کاربرد زیادی در علوم مختلف از جمله مدیریت منابع آب داشته است. در این پژوهش تخمین میزان سختی آب زیرزمینی دشت مازندران، با استفاده از برنامه­ریزی بیان ژن مورد بررسی قرار گرفته و نتایج آن با  سایر روش­های هوشمند همچون شبکه عصبی مصنوعی و سیستم استنتاج فازی- عصبی تطبیقی مقایسه شده است،  برای این منظور هیدروژن کربنات، کلرید، سولفات، منیزیم و کلسیم در مقیاس زمانی ماهانه در طی دوره آماری (1373-1393) بعنوان ورودی و میزان سختی آب بعنوان پارامتر خروجی انتخاب گردید. معیارهای ضریب همبستگی، ریشه میانگین مربعات خطا، میانگین قدر مطلق خطا و ضریب نش ساتکلیف برای ارزیابی و نیز مقایسه عملکرد روش­ها مورد استفاده قرار گرفت. نتایج حاصله نشان داد مدل برنامه­ریزی بیان ژن دارای بیش­ترین ضریب همبستگی 960/0، کمترین ریشه میانگین مربعات خطاppm  112/0، میانگین قدر مطلق خطا ppm 171/0 و نش ساتکلیف880/0 در مرحله صحت سنجی در اولویت قرار گرفت. در مجموع نتایج نشان داد که مدل برنامه­ریزی بیان ژن توانایی بالایی در تخمین  برخی مقادیر  بیشینه و میانی میزان سختی آب زیرزمینی دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Comparison of Anfis, Artificial neural network, and Gene expression programming to estimate the amount of Water hardness (Case study: Mazandaran Plain)

نویسندگان [English]

  • reza.dehghani dehghani 1
  • Amir pourhaghi 2
  • Mehrdad Kheiraey 3
چکیده [English]

Rate of water hardness is an important factor in hydrogeology, particularly in groundwater quality researches. In recent decades, the artificial intelligence systems such as artificial neural networks have many applications in various sciences, including management of water resources. In this study, estimated rate of groundwater hardness in Mazandaran plain, using Gene expression programming have been studied and the results is compared with other intelligent methods such as artificial neural network and Anfis. For this purpose the hydrogen carbonate, chloride, sulfate, magnesium and calcium monthly time scale of the period (1994-2014) was selected as inputs and water hardness as output. Standard deviation of the correlation coefficient, root mean square error, and coefficient of Nash Sutcliff were used to assess various methods. The results showed that Gene expression programming model has the maximum correlation coefficient 0.960, minimum root mean square error  0.112, mean absolute error 0.171 coefficient of Nash Sutcliff 0.880 was in the verification phase. In overall, the results showed that the Gene expression programming model has high performance in estimating some maximum and intermediate values of groundwater hardness.

کلیدواژه‌ها [English]

  • Gene expression programming
  • estimating
  • Mazandaran Plain
  • ANN
  • Anfis

[1] احمدی، ف.، آیشم، س.، خلیلی، ک.، بهمنش، ج (1394) کاربرد سیستم‌های استنتاج عصبی - فازی تطبیقی و برنامه­ریزی ژنتیک برای برآورد تبخیر تعرق ماهانه در شمال غرب ایران. نشریه پژوهش آب در کشاورزی .29(2).

[2] تمدنی کناری، س (1391) پیش­بینی هوشمند شوری آب زیرزمینی با استفاده از شبکه عصبی مصنوعی. دومین کنفرانس برنامه­ریزی و مدیریت محیط زیست.

[3] دربندی، ص.، عباسپور، ا.، شعیبی نوبریان، م، ر (1390) پیش­بینی جریان ورودی به مخزن سد علویان با استفاده از برنامه­ریزی ژنتیک. پنجمین کنفرانس سراسری آبخیزداری و مدیریت منابع آب و خاک کشور.

[4] رحمانی، غ، ر (1393) شبیه‌سازی منابع آب زیرزمینی دشت عقیلی با استفاده از شبکه‌های عصبی مصنوعی و مقایسه آن با نتایج مدل ریاضی تفاضلات محدود. پایان نامه کارشناسی ارشد، دانشگاه شهید چمران اهواز.

[5] زمانی احمد محمودی، ر (1391) بررسی کاربرد روش ترکیبی زمین آمار و شبکه‌های عصبی بهینه شده با الگوریتم ژنتیک در میان یابی سطح آب زیرزمینی دشت. پایان­نامه کارشناسی­ارشد، دانشگاه شهید چمران اهواز، گروه مهندسی منابع آب.

[6] غلامی، و.، درخشان، ش.، درواری، ز (1391) بررسی روش رگرسیون چند متغیره و شبکه عصبی مصنوعی در شبیه سازی شوری آب زیرزمینی سواحل استان مازندران. نشریه پژوهش آب در کشاورزی. جلد 26. شماره3.

[7] نحوی نیا، م، ج.، لیاقت، ع.، پارسی نژاد، م (1389) کاربرد مدل­های تجربی و آماری در پیش­بینی میزان نفوذ آب در آبیاری جویچه‌ای. نشریه آب و خاک. 24(4).780.

[8] وانگ، لی.، ترجمه تشنه لب، م.، صفارپور، ن.، افیونی، د (1386) سیستم­های فازی و کنترل فازی. تهران: دانشگاه صنعتی خواجه نصیرالدین توسی.

[9] Aqil, M., Kita, I., Yano, A., Nishiyama, S (2007) Analysis and prediction of flow from local source in a river basin using a Neuro-fuzzy modeling tool. J. Environ. Manage. 85(1): 215–223.

[10] ASCE Task Committee on Application of Artificial Neural Networks in Hydrology (2000) Artificial Neural Networks in Hydrology. I: Preliminary Concepts. J. Hydrol. Eng., 5(2): 115–123.

[11] Ghorbani, M, A., Singh, V, P., Kashani, M., Kashani, A (2012) Modelling pan evaporation using genetic programming. Journal of Statistics: Advances in Theory and Application, vol.1-23.

[12] Hornik, K (1988) Multilayer feed-forward networks are universal approximators. Neural Networks .2 (5): 359–366.

[13] Khatibi, R., Naghipour, L., Ghorbani, M, A., Aalami, M, T (2012) Predictability of relative humidity by two artificial intelligence techniques using noisy data from two Californian gauging stations. Neural computing and application, vol. 643-941.

[14] Maier, H, R., Dandy, G, C (1996)  The use of artificial neural networks for the prediction of water quality parameters. Water Resources Research, 32(4), 1013-1022.

[15] Najah, A., Elshafie, A., Karim, O., Jaffar, O (2009) Prediction of Johor river water quality parameters using artificial neural networks. European Journal of scientific research. 28: 422-435

[16] Nourani, V., Kisi, Ö., Komasi, M (2011)Two hybrid artificial intelligence approaches for modeling rainfall–runoff process. Journal of Hydrology.402 (1–2): 41–59.

[17] Nourani,V., Alami, M, T., Aminfar, M, H (2009) A combined neural-wavelet model for prediction of Ligvanchai watershed precipitation. Engineering Applications of Artificial Intelligence .22(2):466–472.

[18] Singh, K, P., Basant, A., Malik, A., Jain, G (2009) Artificial neural network modeling of the river water quality-A Case Study. Journal of Ecological Modeling. 220: 888-895.

[19] Tokar, A, s., Johnson, P, A (1999) Rainfall- Runoff modeling using artificial neural

[20] Zhu, Y, M., Lu, X, X., Zhou ,Y (2007)  Suspended sediment flux modeling with artificial neural network: An example of the Longchuanjiang River in the Upper Yangtze Catchment. Geomorphology, 84: 111-125.