مقايسه ي مدل استنتاج فازي و شبكه ي عصبي مصنوعي در برآورد عمق سنگ كف آبخوان

Comparison of Fuzzy Inference Models and Artificial Neural Networks for Estimating the Depth of Rock bed of Aquifer Case study: South Khorasan, Birjand Aquifer

آب زيرزميني يكي از مهمترين منابع آب در مناطق خشك و نيمه‌خشك است. با توجه به كاهش سطح آب زيرزميني بر اثر برداشت غيرمجاز در بيشتر دشت‌هاي ايران، دبي چاهها پس از مدت كوتاهي به ميزان زيادي كاهش يافته و اين مهم لزوم برنامه‌ريزي منابع اب را مورد توجه قرار مي دهد. تعيين ضخامت آبرفت و نوع مصالح تشكيل‌دهنده‌ي آبخوان‌ها يكي از موارد ضروري جهت برنامه‌ريزي براي توسعه‌ي شهر و طراحي زيرساخت‌هاي آن مي‌باشد. با توجه به اهميّت عمق برآورد سنگ كف آبخوان‌ها جهت برآورد حجم و برنامه‌ريزي منابع آب در اين تحقيق كارايي مدل‌هاي شبكه‌ي عصبي مصنوعي و سيستم‌هاي استنتاج فازي عصبي در ميزان عمق سنگ كف و پهنه‌بندي آن در بخش‌هاي مختلف آبخوان مورد بررسي قرار گرفت. در اين تحقيق از پارامترهاي طول و عرض جغرافيايي، شوري، تراز سطح آب و زمين به عنوان ورودي‌ها استفاده شد و تلاش شد تا مدل مناسب براي پيش‌بيني سنگ كف تعيين گردد. نتايج اين مطالعه نشان داد كه مدل شبكه‌ي عصبي مصنوعي با ضريب تبيين 835/0 و ميانگين مجذور خطاي 88/49 متر با ورودي‌هاي تراز آب زيرزميني، طول و عرض جغرافيايي دقت بالاتري نسبت به مدل‌هاي نروفازي در برآورد عمق سنگ بستر دارد.

Groundwater is one of the most important water sources in the arid and semi-arid areas. With regard to reducing the level of water tables due to overdraft in most of Iranʹs plains, the wellsʹ flow rate has been greatly decreased and this issue necessitates the attention to planning the water resources. Determining the aquifersʹ thickness and type of alluvial and materials in aquifer is necessary for the development of the city planning and its infrastructures . with respect to the importance of estimating the depth of bed rock of aquifers for estimating the volume and planning the water resources in this study, the efficiency of artificial neural network models and neural fuzzy inference system were studied on the bed rock depth and its zoning in different parts of the aquifer.In this study, the parameters of geographical latitude and longitude, salinity, water table level, and the ground level were used as input, and tried to determine a suitable model for predicting the bed rock. Results showed that the neural network with R2 =0.835 RMSE =49. 488 meter with the inputs of geographical latitude and longitude and the groundwater level has a higher accuracy of ANFIS models.