مقایسه شبکه‌های عصبی MLP و RBF در تخمین پارامترهای آبخوان‌های محبوس
الموضوعات :
1 - دانشگاه شیراز
2 - دانشگاه شیراز
الکلمات المفتاحية: پارامترهای آبخوان شبکه عصبی مصنوعی, آنالیز مولفه‌ی اصل الگوریتم آموزش لونبرگ-مارکوآرت آزمون پمپاژ.,
ملخص المقالة :
در این مقاله، شبکه‌های عصبی مصنوعی پرسپترون چند لایه (MLP) و تابع پایه شعاعی (RBF) جهت تعیین پارامترهای آبخوان محبوس (قابلیت انتقال آبخوان و ضریب ذخیره) طراحی گردیده است. تابع چاه مربوط به آبخوان‌های محبوس به این شبکهها آموزش داده شده است. با اعمال تکنیک آنالیز مولفه اصلی بر مجموعه داده‌های آموزش، ساختار شبکه MLP و RBF به ترتیب با آرایش (1×12×1) و (1×14×1) صرف نظر از تعداد داده‌های آزمون پمپاژ ثابت گردید. این شبکهها با دریافت هر مجموعه داده آزمون پمپاژ واقعی، مختصات نقطه انطباق بهینه را تولید میکند. سپس مختصات نقطه انطباق با حل تحلیلی تایس (1935) ترکیب شده و مقادیر پارامترهای آبخوان محاسبه می‌شود. توانایی تعمیم و عملکرد این شبکهها با 100000 مجموعه داده سنتز شده ارزیابی گردید و دقت آن‌ها با استفاده از داده‌های دو آزمون پمپاژ واقعی با روش انطباق منحنی تیپ مقایسه شده است. نتایج حاصل از مدلسازی تابع چاه در آبخوان محبوس نشان داد که اگر چه هر دو مدل شبکه عصبی MLP و RBF می‌توانند پارامترهای آبخوان را با دقت بالایی تعیین نمایند و خطاهای گرافیکی حاصل از روش‌های انطباق منحنی تیپ را حذف کنند اما شبکه MLP طراحی‌شده از دقت بالاتری نسبت به شبکه RBF برخوردار می‌باشد به همین دلیل شبکه MLP پیشنهادی به عنوان یک روش خودکار، دقیق و سریع جهت تعیین پارامترهای آبخوان محبوس توصیه می‌شود.
ASCE Task Committee on Application of Artificial Neural Networks in Hydrology., 2000a. Artificial Neural Networks in hydrology. I: preliminary concepts. J Hydrol Eng, 5(2), 115-123.
Chang, F.J., Kao, L.S., Kuo, Y.M., and Liu, C.W., 2010. Artificial neural networks for estimating regional arsenic concentrations in a black foot disease area in Taiwan. J Hydrol, (388), 65-76.
Chang, L.Ch., Chu, H.J., and Hsiao, Ch.T., 2012. Integration of optimal dynamic control and neural network for groundwater quality management. Water Resour Manage, (26), 1253–1269.
Chau, K.W., 2007. An ontology-based knowledge management system for flow and water quality modeling. Adv Eng Softw, 38(3), 172-181.
Cheng, Ch., Chau, K., Sun, Y., and Lin, J., 2005. Long-term prediction of discharges in Manwan Reservoir using artificial neural network models. LNCS 3498, 1040-1045.
Coulibaly, P., Anctil, F., Aravena, R., and Bobee, B., 2001. Artificial neural network modeling of water table depth fluctuations. Water Resour Res, 37(4), 885–896.
Daliakopoulos, I.N., Coulibaly, P., and Tsanis, I.K., 2005. Groundwater level forecasting using artificial neural networks. J Hydrol, 309(1–4), 229–240.
Davis, J.C., 2002. Statistics and data analysis in geology. 3rd edn. Wiley, New York.
Fausett, L., 1994. Fundamentals of neural networks. Prentice Hall, Englewood Cliffs, N.J.
Hantush, M.S., Jacob, C.E., 1955. Non-steady radial flow in an infinite leaky aquifer. Trans Am Geophys Union, 36(1), 95–100.
Haykin, S., 1999. Neural networks: a comprehensive foundation. Prentice-Hall: Englewood Cliffs, NJ.
Lin, G.F., and Chen, G.R., 2005. Determination of aquifer parameters using radial basis function network approach. J Chinese Inst Engrs, 28(2), 241-249.
Lin, G.F., and Chen, G.R. 2006. An improved neural network approach to the determination of aquifer parameters. J Hydrol, 316(1–4), 281–289.
Lin, H.T., Ke, K.Y., Chen, Ch.H., Wu, Sh.Ch., and Tan, Y.Ch., 2010. Estimating anisotropic aquifer parameters by artificial neural networks. Hydrol Process, (24), 3237–3250.
Maier, H.R., and Dandy, G.C., 1999. Empirical comparison of various methods for training feed-forward neural networks for salinity forecasting. Water Resour Res, 32(8), 2591–2596.
Maier, H.R., and Dandy, G.C., 2000. Neural networks for the prediction and forecasting of water resources variables: a review of modeling issues and applications. Environ Modell Softw, (15), 101–124.
Maier, H.R., Jain, A., Dandy, G.C., and Sudheer, K.P., 2010. Methods used for the development of neural networks for the prediction of water resource variables in river systems: current status and future directions. Environ Model Softw, 25(8), 891-909.
Ranjithan, S., Eheart, J.W., and Garrett, J.H., 1993. Neural network-based screening for groundwater reclamation under uncertainty. Water Resour Res, 29(3), 563-574.
Ray, C., and Klindworth, K.K., 2000. Neural networks for agrichemical vulnerability assessment of rural private wells. J Hydrol Eng, 5(2), 162-171.
Razavi, S., and Tolson, B.A., 2011. A new formulation for feed forward neural networks. Neural Netw IEEE Trans, 22(10), 1588-1598.
Rumelhart, D.E., Hinton, G.R., and Williams, R.J., 1986. Learning internal representations by error propagation. In: Rumelhart, D.E., David, E., (Eds.), Parallel Distributed Processing. MIT Press, Massachusetts, 318–362.
Samani, N., Gohari-Moghadam, M., and Safavi, A.A., 2007. A simple neural network model for the determination of aquifer parameters. J Hydrol, 340(1–2), 1–11.
Singh, R.M., and Datta, B., 2007. Artificial neural network modeling for identification of unknown pollution sources in groundwater with partially missing concentration observation data. Water Resour Manage, (21), 557–572.
Theis, C.V., 1935. The relationship between the lowering of the piezometric surface and the rate and duration of discharge of a well using ground-water storage. Trans Am Geophys Union, (16), 519–524.
Todd, D.K., and Mays, L.W., 2005. Groundwater Hydrology. Wiley, New York.
Walton, W.C., 1962. Leaky artesian aquifer conditions in Illinois. Illinois State Water Survey, Illinois.
Wu, C.L., Chau, K.W., and Li, Y.S., 2009. Predicting monthly streamflow using data-driven models coupled with data-preprocessing techniques. Water Resour Res, (45), W08432.
Wu, W., Dandy, G.C., and Maier, H.R., 2014. Protocol for developing ANN models and its application to the assessment of the quality of the ANN model development process in drinking water quality modeling. Environ Modell Softw, (54), 108–127.
