پديد آورندگان :
حسنيه نظري دانشگاه اروميه , يلدا نظري دانشگاه شهيد باهنر كرمان , مژگان دهقاني دانشگاه اروميه , احمد عباس نژاد دانشگاه شهيد باهنر كرمان , فرنوش حاجي زاده دانشگاه اروميه
كليدواژه :
هدايت الكتريكي , ANFIS-FCM , آب زيرزميني , دشت راين
چكيده فارسي :
در اين مطالعه كارآمدي روش هوشمند سيستم استنتاج عصبي فازي تطبيقي ANFIS-FCM در پيشبيني هدايتالكتريكي در آبهاي زيرزميني ناشي از پارامترهاي فيزيكي و شيميايي در دشت راين ارزيابي شد. بدين منظور، 29 نمونه آب از چاه و چشمههاي دشت برداشت و دادهها در آزمايشگاه مورد آناليز شيميايي قرار گرفت. آمارهاي توصيفي دادهها و ماتريس همبستگي پارامترهاي مورد مطالعه با استفاده از نرمافزار SPSS بدست آمد. با تشكيل ماتريس همبستگي، مشخص گرديد كه پتاسيم (K+)، سديم (Na+)، كلسيم (Ca2+)، منيزيم (Mg2+)، كلر (Cl-)، سولفات (SO42-)، كل مواد جامد محلول (TDS)، سختي كل (TH)، نسبت به ساير پارامترهاي موجود، بيشترين همبستگي را با هدايتالكتريكي (EC) دارند. بنابراين وروديهاي مدل شامل پارامترهاي نامبرده و خروجي نيز با توجه به هدف تحقيق، هدايتالكتريكي انتخاب شد. دادهها پس از استانداردسازي، وارد محيط متلب شده و با استفاده از روش ANFIS-FCM، هدايتالكتريكي آب زيرزميني پيشبيني گرديد. در اين روش 70 درصد دادهها (20 نمونه) براي مجموعه داده آموزش و 30 درصد دادهها (9 نمونه) براي مجموعه داده آزمون به طور تصادفي انتخاب شدند. براي مجموعه داده آموزش مدل ANFIS-FCM مقادير R2 و RMSE به ترتيب 9994/0، μS/cm 0001569/0 بدست آمدند و همچنين براي مجموعه داده آزمون مدل ANFIS-FCM مقادير R2 و RMSE به ترتيب 9844/0، μS/cm 041652/0 حاصل گرديد. با استفاده از نتايج حاصل از اين مدل، مشخص شد كه هدايتالكتريكي تخمينزده شده در محدوده مورد بررسي از دقتي بسيار خوب و همبستگي بالايي نسبت به مقادير اندازهگيري شده برخوردار بوده است. در نتيجه روش هوشمند ANFIS-FCM روشي موثر، كارآمد و دقيق جهت تخمين هدايت الكتريكي آب ميباشد.
چكيده لاتين :
In this study, effectiveness of the intelligent method of ANFIS-FCM adaptive fuzzy neural inference system to predict the electrical conductivity in groundwater due to physical and chemical parameters in the Rayen plain was evaluated. To achieve this, 29 water samples were taken from wells and springs across the plain and the data were chemically analyzed in the laboratory. Descriptive statistics of data and the correlation matrix of the studied parameters were obtained using SPSS software. By forming a correlation matrix, it was found that the potassium (K+), sodium (Na+), calcium (Ca2+), magnesium (Mg2+), chlorine (Cl-), sulfate (SO42-), total soluble solids (TDS), total hardness (TH), compared to other available parameters, have the highest correlation with electrical conductivity (EC). Therefore, the model inputs included the mentioned parameters and electrical conductivity was also selected as the output according to the research purpose. After standardization, the data were entered into MATLAB environment and the electrical conductivity of groundwater was predicted using ANFIS-FCM method. In this method, 70% of the data (20 samples) were selected as the training data set and 30% of the data (9 samples) for the test data set. For the training data set of ANFIS-FCM model, R2 and RMSE values were 0.99994, 0.0001569, respectively, and also for test data set of ANFIS-FCM model, 0.9844 and 0.041652 were resulted for R2 and RMSE, respectively. Using the results of this model, it was found that the estimated electrical conductivity in the study area had very good accuracy and high correlation with the measured values. As a result, the ANFIS-FCM intelligent method is an effective, efficient and accurate method to estimate the electrical conductivity of water.
