کارایی مدل GRNN در قیاس با مدل‌های ANN و RBF در تخمین پارامترهای آبخوان محبوس

Abstract

<em>برای مدیریت صحیح منابع آب زیرزمینی، تخمین دقیقی از پارامترهای آبخوان لازم است. در این تحقیق، چندین مدل هوش مصنوعی شامل</em><em>ANN</em><em>، </em><em>GRNN</em><em> و </em><em>RBF</em><em> به‌منظور تخمین پارامترهای هیدرولیکی یک آبخوان محبوس تدوین شده­ است. </em><em>یکی از دلایل استفاده از مدل­های هوش مصنوعی در پیش­بینی پارامترهای آبخوان، قابلیت انعطاف­پذیری بالای این مدل­ها، در حل مسائل غیرخطی می­باشد. به‌منظور به‌کارگیری این مدل­ها، پس از جمع­آوری </em><em>داده­های مربوط به آزمایش پمپاژ و کاهش بعد داده­ها با روش آنالیز مؤلفه­های اصلی، به آموزش و آزمایش مدل­های هوش مصنوعی مختلف پرداخته­ شده است. اگر خطای تابع چاه که متغیر خروجی مدل­های هوش مصنوعی است، در حد قابل قبول باشد</em><em>، </em><em>مقادیر پارامترهای آبخوان به­دست آورده می­شود. مدل­های مذکور بر روی داده­های یک آزمایش پمپاژ در آبخوان محبوس آزمایش و نتایج آن­ها با نتایج روش گرافیکی منحنی تایس مورد مقایسه قرار گرفته است. با قیاس چندین شاخص خطای آماری برمبنای نتایج مدل­های هوش مصنوعی پیشنهادی و حل گرافیکی مدل تایس، عملکرد مدل­های مذکور، بررسی گردیده ­است. به‌عنوان مثال، میانگین قدر مطلق خطای نسبی در تخمین پارامترهای آبخوان برای مدل </em><em>ANN</em><em> و روش گرافیکی منحنی تایس، به ترتیب 5564/0 و 1320/1 درصد بوده است. همچنین در مقایسه مدل­های مختلف هوش مصنوعی به کار گرفته شده، مدل </em><em>GRNN</em><em> از دقت مطلوب و مدت زمان محاسباتی کمتری در تخمین پارامترهای آبخوان برخوردار است و می­تواند به عنوان مدل برتر در تخمین پارامترهای آبخوان، برگزیده شود.</em>