تخمین ارتفاع سطح ایستابی در روزهای مختلف سال با استفاده از شبکه‌ی عصبی مصنوعی شعاعی- مطالعه-ی موردی: دشت بهبهان

نویسندگان

1 گروه آموزشی مهندسی معدن، دانشکده فنی و مهندسی، دانشگاه کاشان

2 2 دانشجوی کارشناسی ارشد مکانیک سنگ، دانشکده مهندسی معدن، دانشگاه صنعتی اصفهان

3 دانشکده مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود

4 مدیر دفتر پژوهش و فناوری، محتمع عالی آموزشی و پژوهشی صنعت آب و برق خوزستان

چکیده

از مهم‌ترین ابزارهای برنامه‌ریزی برداشت از سفره‌های آب زیرزمینی و انجام پروژه‌های عمرانی، آگاهی از سطح ایستابی نقاط مختلف منطقه و دسترسی به نقشه‌ی خطوط هم تراز آن است. عموماً سطح ایستابی به وسیله‌ی چاه‌های پیزومتریک در منطقه و استفاده از روش‌های مختلف تخمین به دست می‌آید. محدودیت این روش‌ها ناتوانی در تخمین سطح ایستابی منطقه در روزهای مختلف سال است. در این پژوهش به وسیله‌ی شبکه عصبی و وارد کردن بعد زمان اندازه‌گیری سطح ایستابی، شبکه برای تخمین نقشه‌های هم تراز سطح آب زیرزمینی در روزهای مختلف سال آموزش داده شده است. برای این منظور از اطلاعات سطح ایستابی در دشت بهبهان برای سال‌های 1370 تا 1385 در آموزش شبکه استفاده شده است. مقدار ضریب همبستگی 9906/0 بین مقادیر واقعی با مقادیر تخمینی شبکه‌ی آموزش داده شده، بیانگر انطباق بسیار خوب آن‌ها است. در پایان بر اساس این شبکه ، نقشه‌ی خطوط هم تراز سطح ایستابی در دشت بهبهان برای 4 روز مختلف سال 1384 ترسیم شده است.

کلیدواژه‌ها


عنوان مقاله [English]

Estimation of the Water Table on Different Days of Year by Using Artificial Neural Network GRNN- Case Study: Behbahan Plain

نویسندگان [English]

  • Saeed Soltani-Mohammadi 1
  • Meysam Lak 2
  • Sadjad Mohammadi 3
  • Mohammad Amin Karbala 4
چکیده [English]

Knowing of the water table around the region and access to its contour maps is one of the most important planning tools for withdrawal underground aquifers and implementing civil projects. Generally, by using the piezometric wells in the region and different methods of estimation, the water table determined. Limitation of these methods is the inability to estimate water table on different days of the year. In this study, by using artificial neural network and time of the measurements of the water table as one of the inputs, the network is trained to estimate contour maps of water table on different days of the year. For this purpose, the water table data in Behbahan plain for the years 1370 to 1385 were used to training the network. Correlation coefficient 0.9906 between actual values and estimated values of the trained network indicates that the estimation is very good. Finally based on this network, contour map of water table in Behbahan plain is plotted for four different days in 1384.

کلیدواژه‌ها [English]

  • Underground Aquifer
  • Water Table
  • Contour Map
  • Artificial Neural Network GRNN
  • Behbahan Plain