مدل منطق فازي در تخمين قابليت انتقال آبخوانها مطالعه موردي: دشت تسوج

Fuzzy Logic Model for Estimation of Aquifers Transmissivity Case study: Tasuj Plain

اين مطالعه يك مدل منطق فازي مركب نظارت شده (SCFL)براي تخمين قابليت انتقال در آبخوان دشت تسوج ارايه مي كند. تخمين قابليت انتقال به ويژه در آبخوان ناهمگن بسيار پرهزينه و وقت گير است. در اين مطالعه، براي تخمين قابليت انتقال با استفاده از داده هاي هيدروژيولوژيكي و ژيوفيزيكي از مدل هاي فازي مانند ممداني(MFL)، لارسن (LFL) و ساگنو (SFL) استفاده شد. اين مدل ها، نتايج مشابهي در تخمين قابليت انتقال در دشت تسوج ارايه دادند. لذا به جاي انتخاب مدل برتر از مدل SCFL براي براي تركيب نتايج سه مدل منفرد فازي استفاده شد. براي استفاده همزمان از مزاياي هر سه مدل مذكور، تركيب غير خطي از خروجي مدل هاي فازي براي ايجاد يك مدل منطق فازي مركب نظارت شده به كار گرفته مي شود. مدل مذكور از يك شبكه عصبي مصنوعي براي تخمين قابليت انتقال بر اساس خروجي سه مدل فازي استفاده مي كند. نتايج نشان داد مدل SCFL ارايه شده، توانست نسبت به روش هاي مدل منطق فازي مركب ساده، كه از روش تركيب كننده خطي سود مي بردند، بهتر عمل كند. همچنين نتايج نشانگر برتري نتايج مدل SCFL نسبت به هر يك از مدل هاي فازي بودند.

This study presents a supervised committee fuzzy logic (SCFL) model to estimate transmissivity in the aquifer of the Tasuj Plain, Iran. The estimation of transmissivity especially in a heterogeneous aquifer is expensive and time consuming. In this study, fuzzy logic models such as Mamdani fuzzy logic (MFL), Larsen fuzzy logic (LSL) and Sugeno fuzzy logic (SFL) were applied to estimate transmissivity using hydrogeological and geophysical survey data. The results showed that all of these models have a similar fitting to the transmissivity data in the Tasuj Plain. The SCFL model was adopted to combine output of the three single fuzzy models instead of the selecting superior single model. To reap the advantage of considering single models, the SCFL proposes a nonlinear combination of individual FL model outputs through a committee fuzzy logic model. The SCFL method uses an artificial neural network (ANN) model to re-estimate transmissivity based on the output of the three FL models. The result showed improvement to the committee machine with a linear combination of FL models estimations. The results also showed significant fitting improvement to individual FL models.