تخمين هدايت هيدروليكي و ارزيابي عدم قطعيت بين مدل ها و داده هاي ورودي توسط متوسط گيري بيزين از مدل هاي هوش مصنوعي

Hydraulic conductivity and uncertainty analysis of between-models and input data by using Bayesian model averaging of artificial intelligence model

تخمين هدايت هيدروليكي از مهمترين بخش هاي مطالعات هيدروژيولوژي بوده كه در مديريت آب هاي زيرزميني حايز اهميت است. اما به علت محدوديتهاي عملي، زماني و يا هزينه اي، اندازه گيري مستقيم آن با دشواري همراه است. لذا استفاده از مدلهاي هوش مصنوعي با صرف هزينه كم و كارايي بالا ميتوانند جايگزين مناسبي براي اين منظور باشند. از آنجا كه داده هاي ورودي (شامل مقاومت عرضي، ضخامت آبخوان، هدايت الكتريكي و فاصله اقليدسي) و تكنيك هاي آموزشي متفاوت در اين نوع مدلها به عنوان مهم ترين عوامل ايجادعدم قطعيت هستند، لذا تاثير منابع مختلف عدم قطعيت در خروجي بايد درنظرگرفته شود. در اين تحقيق روش ميانگين گيري مدل بيزين (BMA) توسعه داده شده كه شامل تركيب مدل هاي شبكه عصبي مصنوعي، منطق فازي و نروفازي در تخمين هدايت هيدروليكي و ارزيابي عدم قطعيت است. در مدل BMA، وزن مدل ها توسط معيار اطلاعات بيزين (BIC) تعيين شده و واريانس درون مدل ناشي از عدم قطعيت داده ورودي و واريانس بين مدل ها ناشي از عدم قطعيت مربوط به ذات مدل هاي هوش مصنوعي محاسبه مي شود. در اين مطالعه روش توسعه داده شده براي تخمين هدايت هيدروليكي در آبخوان دشت اروميه اعمال شده است. نتايج نشان مي دهد اگرچه مقدار ضريب تعيين BMA نسبت به ضريب تعيين بهترين مدل، بالاتر نبوده ولي خروجي BMA حاصل اختصاص وزنهايي است كه عدم قطعيت بين مدل ها و داده هاي ورودي را در نظر مي گيرد. همچنين تاثير تغييرات سطح آب زيرزميني از زمان آزمون پمپاژ تا سال 1394بر مقادير هدايت هيدروليكي بررسي شده و نتايج تفاوت بسيار كمي در تغييرات هدايت هيدروليكي نشان مي دهد.

The estimation of hydraulic conductivity is one of the most important part of hydrogeological studies which is important in groundwater management. But due to practical, time or cost constraints, direct measurement is difficult. Hence, the using artificial intelligence models with low cost and high performance can be an appropriate alternative for this purpose. Since input data and different training techniques in these models are the most important source of uncertainty, the effect of various sources of uncertainty in output should be considered. In this research a Bayesian Model Averaging (BMA) are developed which includes the model combination of artificial neural network, fuzzy logic and neuro-fuzzy to estimate hydraulic conductivity and uncertainty analysis. In the BMA model, the weight of the models is determined by the Bayesian information criterion (BIC), and the within-model variance, steam from the uncertainty of input data and the between-model variance steam from uncertainty associated with the nature of the artificial intelligence model are calculated. In this study, the developed method has been applied to estimate the hydraulic conductivity in the Urmia aquifer. The results show that although the determination coefficient of BMA is not higher than the determination coefficient of the best model, the output of the BMA is the result of assigning weights that take into account the uncertainty between the models and the input data. Also, the effect of groundwater level variation on estimated hydraulic conductivity from pumpage test up to 2015 was evaluated and the result indicated an insignificant changes in hydraulic conductivity.