زمین شناسی مهندسی، جلد ۱۷، شماره ۲، صفحات ۲۲۸-۲۵۲
عنوان فارسی پیش‌بینی غلظت کلراید آب زیرزمینی با استفاده از روش ماشین مرکب هوش مصنوعی نظارت شده (SAICM) (مطالعه موردی: دشت ساری)
چکیده فارسی مقاله ارزیابی کیفی آب‌های ساحلی که تحت تأثیر شوری آب دریا قرار می‌گیرند را می‌توان با استفاده از پارامتر کلراید موجود در آب زیرزمینی انجام داد. این تحقیق یک روش ماشین مرکب هوش مصنوعی نظارت شده (SAICM) را جهت پیش‌بینی دقیق غلظت کلراید آب زیرزمینی دشت ساری پیشنهاد می‌دهد. SAICM با ترکیب غیرخطی مدل‌های هوش مصنوعی، غلظت کلراید را به عنوان خروجی مدل پیش‌بینی می‌کند. در این تحقیق از روش آنالیز مؤلفه‌های اصلی (PCA)، جهت شناسایی پارامترهای هیدروشیمیایی مؤثر مرتبط با غلظت کلراید به عنوان مؤلفه‌های ورودی به مدل‌های هوش مصنوعی استفاده شده است. بر اساس نتایج حاصل از PCA، پارامترهای (Na, K, EC, TDS, SAR)، به عنوان مؤلفه‌های ورودی مدل‌های هوش مصنوعی انتخاب گردید. در ابتدا چهار مدل هوش مصنوعی، منطق فازی سوگنو، منطق فازی ممدانی، منطق فازی لارسن و شبکه عصبی مصنوعی جهت پیش‌بینی غلظت کلراید طراحی گردید. بر اساس نتایج حاصل از مدل‌سازی، تمامی مدل‌ها برازش مناسبی با داده‌های کلراید در دشت ساری نشان داده‌اند. سپس مدل ترکیبی SAICM ساخته شد که نتایج حاصل از پیش‌بینی 4 مدل AI جداگانه را با استفاده از ترکیب کننده غیرخطی ANN ، ترکیب نموده و غلظت کلراید را با دقت بیشتری تعیین می‌کند. نتایج نشان می‌دهد مدل ماشین مرکب پیشنهاد شده SAICM می‌تواند غلظت کلراید را با دقت بسیار بالاتری نسبت به روش‌های جداگانه، تخمین بزند.
کلیدواژه‌های فارسی مقاله شبکه عصبی مصنوعی،ماشین مرکب،منطق فازی،کیفیت آب زیرزمینی،آنالیز مؤلفه‌های اصلی،
عنوان انگلیسی Prediction of Chloride in Groundwater Using Supervised Artificial Intelligence Committee Machine (SAICM) (Case Study: Sari Plain)
چکیده انگلیسی مقاله Qualitative assessment of coastal waters affected by seawater salinity can be done using the parameter of chloride in groundwater. This research proposes a supervised artificial intelligence committee machine (SAICM) method for accurate prediction of chloride concentration in groundwater of Sari plain. SAICM predicts chloride concentration as the output of the model by non-linear combination of artificial intelligence models. In this research, Principal Component Analysis (PCA) method was used to identify effective hydrochemical parameters related to chloride concentration as input components to artificial intelligence models. Based on the results of PCA, parameters (Na, K, EC, TDS, SAR) were selected as input components of artificial intelligence models. Firstly, four artificial intelligence models, Sogno fuzzy logic, Mamdani fuzzy logic, Larsen fuzzy logic and artificial neural network were designed to predict chloride concentration. Based on the modelling results, all the models showed a good fit with the chloride data in Sari Plain. Then, the combined SAICM model was built, which combines the prediction results of 4 separate AI models using the nonlinear ANN combiner and determines the chloride concentration more accurately. The results show that the proposed SAICM can estimate chloride concentration with much higher accuracy than individual methods.
کلیدواژه‌های انگلیسی مقاله شبکه عصبی مصنوعی,ماشین مرکب,منطق فازی,کیفیت آب زیرزمینی,آنالیز مؤلفه‌های اصلی
نویسندگان مقاله طاهره آذری |
دانشگاه خوارزمی

سکینه داداشی |
دانشگاه مازندران

فاطمه کاردل |
دانشگاه مازندران

نشانی اینترنتی https://jeg.khu.ac.ir/article_11007_8eab914c88e95773ea769310350ad7cb.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