۱۴۰۳/۱۰/۱۰
مهدی کرد

مهدی کرد

مرتبه علمی: استادیار
ارکید:
تحصیلات: دکترای تخصصی
اسکاپوس: ۵۶۰۹۹۷۸۲۴۰۰
دانشکده: دانشکده علوم پایه
نشانی: سنندج- بلوار پاسداران- دانشگاه کردستان- دانشکده علوم پایه- گروه علوم زمین- کد پستی ۶۶۱۷۷-۱۵۱۷۷
تلفن: ۰۹۱۸۸۸۷۸۴۰۶

مشخصات پژوهش

عنوان
بهینه سازی روشهای ارزیابی آسیب پذیری آب زیرزمینی با استفاده از هوش مصنوعی (مطالعه موردی: آبخوان دشت اردبیل)
نوع پژوهش
پایان نامه
کلیدواژه‌ها
آسیب پذیری آب زیرزمینی، مدلهای DRASTIC ،SINTACS ،SI و GODS، مدلهای هوش مصنوعی، دشت اردبیل
سال 1394
پژوهشگران مریم قره خانی(دانشجو)، اصغر اصغری مقدم(استاد راهنما)، عطا الله ندیری(استاد راهنما)، مهدی کرد(استاد مشاور)، الهام فیجانی(استاد مشاور)

چکیده

منابع آب زیرزمینی دشت اردبیل تأمین کننده آب شرب، کشاورزی و صنعت شهر اردبیل است. با توسعه فعالیتهای کشاورزی در این منطقه، استفاده از انواع کودهای شیمیایی وحیوانی گسترش یافته است. در این دشت علاوه بر کودهای مورد استفاده، پسابها و فاضلابهای حاصل از منطقه هم می تواند آبهای زیرزمینی را آلوده سازند، بنابراین احتمال آلودگی آبخوان این دشت به منابع آلاینده بسیار زیاد میباشد. بدین منظور برای اینکه تا حدی از آلوده شدن آبهای زیرزمینی در این دشت جلوگیری شود بهترین راهکار شناسایی مناطق آسیب پذیر و مستعد آلودگی در این دشت است. لذا در این تحقیق از روشهای DRASTIC ،SINTACS ،SI و GODS برای بررسی آسیب پذیری ذاتی دشت مذکور استفاده شد. سپس برای دستیابی به نتایج دقیقتر از آسیبپذیری آبخوان و شناسایی مناطق دارای پتانسیل آلودگی بالا از مدلهای هوش مصنوعی استفاده گردید. برای تهیه نقشه های آسیب پذیری به روشهای DRASTIC ، SINTACS ،SI و GODS از پارامترهای هیدرولوژیکی مؤثر بر آلودگی آبهای زیرزمینی از جمله عمق آب زیرزمینی، تغذیه خالص، محیط آبخوان ، محیط خاک، توپوگرافی، محیط غیراشباع، هدایت هیدرولیکی و کاربری اراضی استفاده شد. سپس برای صحت سنجی هر کدام از روشها از مقادیر نیترات اندازه گیری شده در منطقه استفاده شد. به منظور مقایسه بهتر و دقیقتر این روشها، شاخص همبستگی (CI) بین نقشه های آسیب پذیری و مقادیر نیترات محاسبه گردید. نتایج نشان داد که مدل DRASTIC بالاترین شاخص همبستگی را دارد و بنابراین برای ارزیابی آسیب پذیری روش بهتری نسبت به روشهای دیگر است. اما یکی از معایب مدل دراستیک اعمال نظرهای کارشناسی جهت وزن دهی و رتبه دهی پارامترهای آن میباشد که در این تحقیق سعی شده با بکار بردن مدلهای هوش مصنوعی این ضعف مدل دراستیک را بهبود بخشید. برای این منظور از 6 مدل هوش مصنوعی از جمله شبکه عصبی پیشرو (FFN)، شبکه عصبی برگشتی (RNN)، فازی ساجنو (SFL)، فازی ممدانی (MFL) ،حداقل مربعات ماشین بردار پشتیبان (SL-SVM) و مدل مرکب (SCMAI) استفاده شد. برای اجرای مدلهای هوش مصنوعی به علت وسعت زیاد دشت اردبیل و همچنین هتروژنتی موجود از نظر زمین شناسی و هیدرولوژیکی، این دشت به سه قسمت شرقی، غربی و جنوبی تقسیم شد و مدلهای هوش مصنوعی به طور جداگانه برای هر قسمت اجرا شد. در این مدلها پارامترهای دراستیک به عنوان ورودی مدل و شاخ