پیش بینی هدایت الکتریکی آب زیرزمینی با استفاده از روش سیستم استنتاج عصبی- فازی تطبیقی (ANFIS) (مطالعه موردی: دشت های آذرشهر، عجب شیرو مراغه)

نویسندگان

1 دانشجوی دکتری مهندسی معدن (اکتشاف)، دانشگاه ارومیه، ارومیه

2 دانشیار گروه مهندسی معدن، دانشگاه ارومیه، ارومیه

چکیده

هدف از این مطالعه بررسی هدایت­الکتریکی آب زیرزمینی ناشی از پارامتر­های فیزیکی و شیمیایی آب با استفاده از روش ANFIS-FCM در محدوده­های مطالعاتی آذرشهر، عجب­شیر و مراغه حوضه­ آبریز دریاچه ارومیه می­باشد. جهت دست­یابی به این هدف، 82 نمونه آب از چاه و چشمه­های دشت­ها برداشت و داده­ها در آزمایشگاه مورد آنالیز شیمیایی قرار گرفت. آمارهای توصیفی داده­ها و ماتریس همبستگی پارامترهای مورد مطالعه با استفاده از نرم­افزار SPSS بدست آمد. با تشکیل ماتریس همبستگی، مشخص گردید که چهار پارامتر شوری (Salinity)، اکسیژن محلول (DO)، کل مواد جامد محلول (TDS) و pH، نسبت به سایر پارامترهای موجود، بیشترین همبستگی را با هدایت الکتریکی (EC) دارند. بنابراین ورودی­های مدل شامل چهار پارامتر نامبرده و خروجی نیز با توجه به هدف تحقیق، هدایت­الکتریکی انتخاب شد. داده­ها پس از استاندارد­سازی، وارد محیط متلب شده و با استفاده از روش ANFIS-FCM، هدایت­الکتریکی آب زیرزمینی پیش­بینی گردید. در این روش 80 درصد داده­ها (66 نمونه) برای مجموعه داده آموزش و 20 درصد داده­ها (16نمونه) برای مجموعه داده آزمون به طور تصادفی انتخاب شدند. برای مجموعه داده آموزش مدل ANFIS-FCM مقادیر R2، RMSE و VAF به ترتیب 9999/0، 0032399/0 و 99993/0 بدست آمدند و همچنین برای مجموعه داده آزمون مدل ANFIS-FCM مقادیر R2، RMSE و VAF به ترتیب 9998/0، 0029949/0 و 99972/0 حاصل گردید. با استفاده از نتایج به دست آمده از این مدل، مشخص شد که هدایت­الکتریکی تخمین زده شده در محدوده­های مورد بررسی از دقتی بسیار خوب و همبستگی بالایی نسبت به مقادیر اندازه­گیری شده برخوردار بوده است. در نتیجه روش هوشمند ANFIS-FCM روشی موثر، کارآمد و دقیق جهت تخمین پارامترهای فیزیکی و شیمیایی آب می­باشد.

کلیدواژه‌ها

عنوان مقاله [English]

Predicting the electrical conductivity of groundwater using the adaptive neuro-fuzzy inference system method (ANFIS) Case Study: Azarshahr, Ajabshir and Maragheh Plains

نویسندگان [English]

  • H. Nazari 1
  • B. Taghavi 1
  • F. Hajizadeh 2
1 Ph. D. student, Dept., of Mining Engineering, Urmia University, Urmia
2 Assoc. Prof., Dept., of Mining Engineering, Urmia University, Urmia
چکیده [English]

The aim of this study was to investigate the electrical conductivity of groundwater due to physical and chemical parameters of water using ANFIS-FCM method in Azarshahr, Ajabshir and Maragheh study areas of Urmia Lake catchment area. To achieve this goal, 82 water samples were taken from wells and springs in the plains and the data were chemically analyzed in the laboratory. Descriptive statistical data and correlation matrix of the studied parameters were obtained using SPSS software. By forming the correlation matrix, it was found that the four salinity parameters, soluble oxygen (DO), total soluble solids (TDS) and pH, have the highest correlation with electrical conductivity (EC) compared to other existing parameters. Therefore, the inputs of the model included the four mentioned parameters and the output was selected according to the purpose of the research, electrical conductivity.  After standardization, the data entered the MATLAB environment and using ANFIS-FCM method, the electrical conductivity of groundwater was predicted. In this method, 80% of the data (66 samples) were randomly selected for the training data set and 20% of the data (16 samples) were randomly selected for the test data set. For ANFIS-FCM training data set, R2, RMSE and VAF values were 0.9999, 0.0032399 and 0.99993, respectively, and also for ANFIS-FCM test data set, R2, RMSE and VAF values were 0.9998, respectively, 0.0029949 and 0.99972 were obtained. Using the results of this model, it was found that the estimated electrical conductivity in the studied areas had a very good accuracy and high correlation with the measured values. As a result, the ANFIS-FCM intelligent method is an effective, efficient and accurate way to estimate the physical and chemical parameters of water.

کلیدواژه‌ها [English]

  • Electrical conductivity
  • ANFIS-FCM
  • Groundwater
  • Urmia Lake basin

مراجع

امیری، م.، زارعی­سهامیه، ر (1392) بررسی تغییرات زمانی دمای آب چاه­های گازدار منطقه لاله­جین جهت دستیابی به انرژی زمین گرمایی، اولین همایش سراسری محیط زیست، انرژی و پدافند زیستی.
آقانباتی، ع (1383) زمین­شناسی ایران، انتشارات سازمان زمین­شناسی کشور، 500 ص.
بیکی حسن­آباد، ح.، رستمی، ف (1396) روش نوین نشت­یابی در شبکه­های آبرسانی با استفاده از ANFIS، اولین کنفرانس ملی پژوهش­های کاربردی در علوم و مهندسی.
پیرخراطی، ح.، بهرامی­نصب، ر.، عباس­ فام، ع. ر.، شیخی آلمان آباد، ز (1399) ارزیابی کیفیت منابع آب زیرزمینی دشت کهریز و مقایسه روند تغییرات آن در طی سال­های اخیر، مجله یافته­های نوین زمین­شناسی کاربردی، دوره 14، شماره 28، ص 17-1.
حجت، آ.، رنجبر، ح (1390) اصول ژئوالکتریک کاربردی، موسسه انتشارات ستایش.
سعیدی رضوی، ب.، عرب، ع (1397) پیش­بینی سطح آب زیرزمینی با استفاده از مدل­های منطق فازی، شبکه عصبی و سری زمانی، مجله هیدروژئولوژی، سال سوم، شماره 2، ص 81-69.
شرکت مدیریت منابع ایران، معاونت مطالعات پایه و مدیریت حوضه‌های آبریز دفتر مطالعات پایه منابع آب (1390)، اطلاعات آبخوان‌های کشور.
شعبانی، م (1387) تعیین مناسب­ترین روش زمین آمار در تهیه­ی نقشه­ی تغییرات pH و TDS آب­های زیرزمینی دشت ارسنجان، مجله­ی مهندسی آب، سال اول، ص 58-47.
 عباس نوین­پور، ا.، مسعودی، س.، اصغری­مقدم، ا (1397) ارزیابی آسیب­پذیری آبخوان دشت نازلوچای ارومیه با استفاده از مدل DRASTIC و صحت­سنجی آن با غلظت نیترات در محیط GIS، نشریه یافته­های نوین زمین­شناسی کاربردی، دوره 12، شماره 23، ص 103-92.
Akbarzadeh, S., Arof, AK., Ramesh, S., Khanmirzaei, MH., Nor, RM (2014) Prediction of Conductivity by Adaptive Neuro-Fuzzy Model. PLoS ONE, 9(3): e92241.
 Banerjee, P., Singh, VS., Chattopadhyay, K., Chandra, PC., Singh, B (2011) Artificial neural network model as a potential alternative for groundwater salinity forecasting. Journal of Hydrology, 398(4): 212–220.
 Bezdek, JC (1973) Fuzzy mathematics in pattern classification. Cornell university, Ithaca.
Dolati Kordestani, M., Nohegar, A., Janizadeh, S (2018) Assessment of some Artificial Intelligence (AI)-based models for groundwater quality prediction (case study: Garoo plain). Desert Ecosystem Engineering Journal, 6(17): 27-42.
Emamgholizadeh, S., Moslemi, Kh., Karami, Gh (2014) Prediction the Groundwater Level of Bastam Plain (Iran) by Artificial Neural Network (ANN) and Adaptive Neuro-Fuzzy Inference System (ANFIS). European Water Resources Association (EWRA), 28(15): 5433-5446.
Gholami, R., Moradzadeh, A., Maleki, S., Amiri, S., Hanachi, J (2014) Applications of artificial intelligence methods in prediction of permeability in hydrocarbon reservoirs. J Pet Sci Eng, 122: 643-56.
Hasebe, M., Nagayama, Y (2002) Reservoir operation using the neural network and fuzzy systems for dam control and operation support. Advances in Engineering Software, 33: 245–260.
 Honslow, AW (1995) Water Quality Data Analysis and interpretation, Oklahoma State University Stillwater, Oklahoma. Lewis Publishers, 397 p.
Jang, JSR., Sun, CT., Mizutani, E (1997) Neuro-Fuzzy and Soft Computing A Computional Approach to Learning and Machine Intelligence. Prentice Hall, 640p.
Jayalakshmi, T., Santhakumaran, A (2011) Statistical normalization and back propagation for classification. Int J Comput Theory Eng, 3(1): 1793-8201.
Kosko, B (1992) Neural Networks and Fuzzy Systems. A Dynamical Approach to Machine Intelligence, Prentice Hall, Englewood Cliffs, NJ, 449p.
Lu, RS., Lo, SL (2002) Diagnosing reservoir water quality using self-organizing maps and fuzzy theory. Water Research, 36, 2265–2274.
Madan, KJ., Kamii, Y., Chikamori, K (2008) Cost-effective approaches for sustainable groundwater management in alluvial aquifer system. Water Resources Management, 23(2): 219-233.
 MATLAB user’s guide (2006) Fuzzy logic Toolbox. by the math works Inc.
Moosavi, V., Vafakhah, M., Shirmohammadi, B., Behnia, N (2013) A Wavelet-ANFIS Hybrid Model for Groundwater Level Forecasting for Different Prediction Periods. Water Resources Management journal, 27(5): 1301-1321.
Nadiri, A., Chitsazan, N., Tsai, FTC., Asghari Moghaddam, A (2014) Bayesian artificial intelligence model averaging for hydraulic conductivity estimation. Journal of Hydrologic Engineering, 19(3): 520-532.
Nava, P., Taylor, J (1996) The Optimization of Neural Network Performance through Incorporation of Fuzzy Theory. In: 11th Conference on Systems Engineering, 897-901.
Nayak, PC., Sudheer, KP., Rangan, DM., Ramasastri, KS (2004) A neuro-fuzzy computing technique for modeling hydrological time series. Journal of Hydrology, 291: 52–66.
Shahrabi, M (1972) Description of Geological Map of Urmia, Geological Survey of Iran, 81p.
Srinivasan, K., Fisher, D (1995) Machine Learning Approaches to Estimating Software Development Effort. IEEE Transactions on Software Engineering, 21(2): 126–137.
Tutmez, B., Hatipoglu, Z., Kaymak, U (2006) Modelling electrical conductivity of groundwater using an adaptive neuro-fuzzy inference system. Computers & Geosciences, 32: 421–433.

فایل ها

سابقه مقاله

  • تاریخ دریافت: 12 شهریور 1399
  • تاریخ بازنگری: 10 آذر 1399
  • تاریخ پذیرش: 06 دی 1399

هم رسانی

ارجاع به این مقاله

آمار