عنوان

مدل‌سازی کمی و کیفی آب زیرزمینی در سفره‌های ساحلی با استفاده از مدل ترکیبی شبکه عصبی مصنوعی - زمین آمار

‭۹۹۴پ‬

per

مدل‌سازی کمی و کیفی آب زیرزمینی در سفره‌های ساحلی با استفاده از مدل ترکیبی شبکه عصبی مصنوعی - زمین آمار

/رضاقلی اجلالی

: فنی و مهندسی عمران

‮‭۱۰۸‬ص.‬

: مصور، جدول، نمودار، عکس ‮‭۳۰‬*‮‭۲۹‬س.م-+ یک لوح فشرده

چاپی

واژه نامه بصورت زیرنویس

کتابنامه ص.: ‮‭۱۰۰-۱۰۶‬

دکترای تخصصی

عمران - آب

‮‭۱۳۸۹/۱۲/۲۵‬

تبریز

پیش‌بینی تراز آب و شوری در مدیریت منابع آب زیرزمینی در سفره‌های ساحلی، بالاخص در مناطق خشک و نیمه‌خشک مانند کشور ایران اهمیت بسیار زیادی دارد و برنامه‌ریزی مناسب به منظور بهره‌برداری مطمئن از این منابع مستلزم وجود ابزار توانمند جهت پیش‌بینی پارامترهای فوق‌الذکر می‌باشد .در این رساله با توجه به توانایی شبکه‌های عصبی مصنوعی در مدل‌سازی سیستم‌های پیچیده، توأم با قابلیت علم زمین آمار در مدل‌سازی داده‌های مکانی، یک مدل تجربی ترکیبی به منظور پیش‌بینی زمانی و مکانی تراز آب زیرزمینی به عنوان یک پارامتر کمی و مرتبط با شوری به عنوان یک پارامتر کیفی بسیار مهم در سفره‌های ساحلی تهیه و ارائه شده است.از داده‌های دشت شبستر در مجاورت دریاچه ارومیه به منظور آموزش، صحت‌سنجی و ارزیابی نتایج مدل پیشنهادی در این رساله استفاده شده است.نتایج بدست آمده از بکارگیری مدل‌های ترکیبی تهیه شده ‮‭ANNG‬ و ‮‭MANNG‬ علی‌رغم برتری نسبی مدل‮‭MANNG‬ ، نشان‌دهندة قابلیت بسیار زیاد مدل‌های ترکیبی تهیه شده در پیش‌بینی تراز آب زیرزمینی و میزان شوری در سفره ساحلی مورد مطالعه بوده‌اند.

The prediction of groundwater level in basin is of immense importance for the management of groundwater resources, especially in coastal regions where the water table fluctuations are to be limited to avoid sea water intrusion. The lack of strong predictive tools, or perhaps the lack of experienced users of those tools, may contribute to problems in data interpretation and failure to reach consensus about the need for key water management actions. Therefore, it is extremely important to comprehend the spatiotemporal variations of the water level for the management of groundwater in the coastal areas. In this thesis, two hybrid, artificial neural network - geostatistics Models are presented for spatiotemporal prediction of groundwater levels and salinity.The proposed models contains two separated stages. In first model (ANNG), and at the first stage, an artificial neural network is trained for each piezometre for time series modeling of groundwater level, so that the model can predict the groundwater level in the next month.In second model (MANNG), and at temporal forecasting stage, a unit artificial neural network is trained for all piezometers. At the second stage, the predicted values of water levels at different piezometers are imposed to a calibrated geostatistics model in order to estimate groundwater level and salinity at any desired point in the plain.This methodology is applied for the Shabestar plain, which adjoins to Urmieh Lake as a coastal aquifer in east Azerbaijan Province, Iran.The most appropriate set of input variables to the model are selected through a combination of domain knowledge and available data series.The results suggest that the MANNG model is good choice for predicting groundwater levels and salinity in the study area.

artificial neural networks

geostatistics

coastal Aquifer

groundwater level

Hybrid model

اجلالی، رضاقلی

نورانی، وحید، استاد راهنما

اعلمی، محمد تقی، استاد راهنمای همکار

حسن زاده، یوسف، استاد مشاور

سیاه و سفید

نمایه‌سازی قبلی