مقايسه مدل MT3D و شبكه عصبي مصنوعي در شبيه‌سازي كيفي آب زيرزميني (مطالعه موردي: آبخوان قم)

Qualitative simulation of groundwater using MT3D model case study Qom aquifer

به‌علت خشك‌سالي‌هاي اخير و برداشت بيش از اندازه از منابع آب زيرزميني، سطح ايستابي آبخوان قم دچار افت شديدي شده است كه نتيجه آن پيشروي آب شور به اين آبخوان و تشديد پديده فرونشست بوده است. هدف از اين تحقيق، تهيه مدلي كارآمد در شبيه‌سازي كيفي آبخوان مي‌باشد. براي شبيه‌سازي سه‌بعدي كيفي، از مدل‌ MT3D كه به مدل شبيه‌سازي كمي آب زيرزميني (MODFLOW) اتصال مي‌شود، استفاده شد. از نتايج مدل‌ MT3D براي آموزش شبكه عصبي استفاده گرديد. پس از واسنجي و ارزيابي مدل‌هاي رياضي، دو مدل براي 16 سال اجرا و داده‌هاي مورد نياز شبكه عصبي مصنوعي فراهم شد. نتايج نشان دادند كه شبكه پرسپترون چند‌لايه با الگوريتم آموزش لونبرگ- ماركوآت بهترين شبكه براي شبيه‌سازي كيفي آبخوان مي‌باشد. در نهايت با اجراي مجدد مدل‌ رياضي و آموزش شبكه عصبي مصنوعي نتايج آنها مقايسه گرديد. ضريب همبستگي در مقايسه نتايج شبيه‌سازي كمي و كيفي به‌ترتيب 87/0 و 63/0 محاسبه گرديد. نتايج حاكي از دقت خوب شبكه عصبي مصنوعي در شبيه‌سازي مي‌باشد.

Due to the recent droughts and excessive extraction of groundwater sources, the water level of Qom aquifer has dropped sharply, which resulted intrusion of salt water into this aquifer and the intensification of the subsidence phenomenon. The purpose of this research is to prepare an efficient model in the qualitative simulation of aquifer. For qualitative three-dimensional simulation, the MT3D model was used, which is linked to the quantitative groundwater simulation model (MODFLOW). MT3D model results should be used for neural network training. After calibrating and evaluating the mathematical models, two models were provided for 16 years of implementation and the required data of the artificial neural network. The results showed that the multi-layer perceptron network with LM training algorithm is the best network for the qualitative simulation of the aquifer. Finally, by re-implementing the mathematical model and training the artificial neural network, their results were compared. The correlation coefficient in the comparison of quantitative and qualitative simulation results was calculated as 0.87 and 0.63 respectively. The results indicate the good accuracy of the artificial neural network in the simulation.