|
|
زمین شناسی مهندسی، جلد ۱۹، شماره ۱، صفحات ۱۳۶-۱۵۸
|
|
|
| عنوان فارسی |
یک رویکرد نوین جهت تعیین پارامترهای هیدرولیکی آبخوانهایی با تخلخل دوگانه مبتنی بر شبکه عصبی MLP |
|
| چکیده فارسی مقاله |
تعیین دقیق مقادیر پارامترهای هیدرولیکی، اولین گام برای توسعه پایدار آبخوان است. از زمان Theis (1935)، روش انطباق منحنی تیپ (TCMT) با استفاده از داده های آزمون پمپاژ برای تخمین پارامترهای آبخوان استفاده میشود. این روش همراه با خطاهای گرافیکی است. در این تحقیق جهت حذف این خطا، یک شبکه عصبی مصنوعی (ANN) از نوع پرسپترون چندلایه (MLP) با مدلسازی تابع چاه Bourdet-Gringaten جهت تعیین پارامترهای آبخوان هایی با تخلخل دوگانه طراحی شده است. مدل شبکه عصبی MLP در یک پروتکل چهار مرحلهای با روش پس انتشار خطا و الگوریتم بهینهسازی لونبرگ-مارکوارت(LM) آموزش داده شده است. با اعمال روش تحلیل مؤلفه های اصلی (PCA) بر روی داده های ورودی آموزش و از طریق روش آزمون و خطا، ساختار بهینه شبکه با توپولوژی [3×6×3] ثابت گردید. اعتبار شبکه توسعهیافته با دادههای میدانی مصنوعی و واقعی ارزیابی شد. این مدل، داده های آزمون پمپاژ را دریافت می کند و مقادیر پارامترهای آبخوان را در اختیار کاربر قرار می دهد. مدل طراحی شده، یک روش خودکار و سریع برای تعیین پارامترهای آبخوان هایی با تخلخل دوگانه را فراهم میکند و خطاهای گرافیکی ذاتی TCMT معمولی را حذف میکند.
|
|
| کلیدواژههای فارسی مقاله |
پارامترهای آبخوان،تخلخل دوگانه،تابع چاه،پرسپترون چندلایه،آنالیز مولفه اصلی، |
|
| عنوان انگلیسی |
A novel approach to determine hydraulic parameters of double porosity aquifers based on MLP neural network |
|
| چکیده انگلیسی مقاله |
Accurately determining hydraulic parameter values is the first step in sustainably developing an aquifer. Since Theis (1935) introduced the type curve matching technique (TCMT), it has been used to estimate aquifer parameters from pumping test data. However, the TCMT is subject to graphical error. To eliminate this error, a multi-layer perceptron (MLP) artificial neural network (ANN) was developed as an alternative to the conventional TCMT. This MLP ANN models the Bourdet-Gringaten well function to determine fractured double porosity aquifer parameters. The MLP model was developed using a four-step protocol and trained using the backpropagation method and the Levenberg-Marquardt optimization algorithm for the well function of double-porosity aquifers. Through a trial-and-error procedure and by applying principal component analysis (PCA) to the training input data, the optimal network structure with the topology [3×6×3] is determined. We evaluated the validity of the developed network with synthetic and real field data. The network receives pumping test data and provides the user with aquifer parameter values. This network provides an automatic, fast procedure for determining double-porosity aquifer parameters, eliminating the graphical errors inherent in the conventional TCMT. |
|
| کلیدواژههای انگلیسی مقاله |
پارامترهای آبخوان,تخلخل دوگانه,تابع چاه,پرسپترون چندلایه,آنالیز مولفه اصلی |
|
| نویسندگان مقاله |
طاهره آذری |
دانشگاه خوارزمی
|
|
| نشانی اینترنتی |
https://jeg.khu.ac.ir/article_11064_39799c18791e8d7eb29704fc5bc04ac8.pdf |
| فایل مقاله |
فایلی برای مقاله ذخیره نشده است |
| کد مقاله (doi) |
|
| زبان مقاله منتشر شده |
fa |
| موضوعات مقاله منتشر شده |
|
| نوع مقاله منتشر شده |
|
|
|
|
برگشت به:
صفحه اول پایگاه |
نسخه مرتبط |
نشریه مرتبط |
فهرست نشریات
|
