طراحي دوهدفه شبكه پايش سطح آب زيرزميني با استفاده از NSGAII در دشت اشتهارد

Twoobjective design of groundwaterlevel monitoring network using NSGAII in Eshtehard plain

پايش كمّي آب زيرزميني، با هدف بررسي و تعيين عوامل مؤثر در رفتار آبخوان ها نقش به سزايي در مديريت آب زيرزميني هر منطقه دارد. بنابراين براي مطالعه تغييرات زماني و مكاني سطح آب زيرزميني، شبكه پايش كمّي آب زيرزميني مورد نياز است. در تحقيق حاضر طراحي بهينه بلندمدت شبكه پايش سطح آب زيرزميني به كمك روشي بر پايه بهينه سازي در آبخوان دشت اشتهارد انجام گرفته است. پايگاه داده مورد نياز، به كمك درون يابي كريجينگ تهيه شده است. بهينه سازي شبكه چاه‏ها توسط نسخه دوم الگوريتم ژنتيك با مرتب سازي نامغلوب (NSGAII) با اهداف كمينه نمودن مقدار ريشه مربعات ميانگين خطا (RMSE) و كمينه نمودن تعداد چاه ها اجرا شده است. در بخش شبيه سازي مسئله از درون يابي وزن دهي فاصله معكوس (IDW) براي مقادير سطح آب زيرزميني محاسباتي استفاده شد و با مقادير مشاهداتي تهيه شده در پايگاه داده مقايسه شدند. نتيجه اين تحقيق، ارائه يك جبهه پرتو با نمايش تعداد چاه در مقابل RMSE متناظر آن بود كه مي تواند دستورالعملي براي طراحي شبكه پايش كمّي آب زيرزميني باشد. به اين صورت كه با تعيين دقت لازم در داده هاي حاصل از شبكه پايش مي توان تعداد چاه ها و موقعيت آن ها را در منطقه مطالعاتي مشخص نمود.

Groundwater monitoring plays a significant role in groundwater management to control aquifer behavior. Thus, a groundwater monitoring network is required to control spatial and temporal fluctuations of groundwater characteristics. This study describes a new optimization method to design an optimum groundwaterlevel monitoring network and was implemented on Eshtehard aquifer. Database of the study was provided by kriging interpolation. Optimization of groundwater monitoring network was implemented by NonDominated Sorting Genetic Algorithm II (NSGAII) with two objective functions of minimizing the root mean square error (RMSE) and minimizing the number of network wells which representing the cost of constructing, maintenance service and collecting data. Inverse Distance Weighting (IDW) was used to compute the groundwaterlevel in simulation part of optimization. The result of the study is a Pareto front showing the number of wells and corresponding RMSE which would be a guideline for groundwater monitoring network design. By selecting the required accuracy of the monitoring network data, the number of observation wells and their locations in the study area would be demonstrated.