8858

8219

كارشناسي ارشد

آب

اصفهان: دانشگاه صنعتي اصفهان، دانشكده عمران

1392

نه،104ص.: مصور،جدول،نمودار(رنگي)

ص.ع.به فارسي و انگليسي

حميدرضا صفوي

27/2/93

آزاده احمدي، جهانگير عابدي كوپايي

مهندسي عمران

ID8219

چكيده مدلسازي منابع آب زيرزميني به عنوان ابزاري در مديريت منابع آب محسوب ميشود اندركنش منابع آب سطحي و زيرزمينيي هميواره در بيالن منابع آب از اهميت ويژهاي برخوردار بوده است از طرف ديگر شبكههاي عصبي مصنوعي ابيزار قدرتمنيدي بيراي ميدلسيازي پارامترهاي هيدرولوژيكي و آب زيرزميني با در نظر گرفتن كليه پارامترهاي تأثيرگذار را در اختيار قرار ميدهيد در ايين تحقييق ابتيدا بيا استفاده از روشهاي تحليل همبستگي در حوزه زمان و فركانس آبخوان مورد مطالعه بر اساس تأثير پارامترهاي ميوثر بير تغيييرات سيطح آب زيرزميني تقسيمبندي شده و تأخير زماني تغييرات سطح آب زيرزميني نسبت به هركدام از پارامترها محاسبه و به همراه سطح متوسط آب زيرزميني در همان منطقه و مناطق مجاور به عنوان ورودي شبكه عصبي مصنوعي در نظر گرفته شده اسيت خروجيي ميدلهيا سيطح مياركوات و آب در كليه پيزومترهاي منطقه بصورت مجزا ميباشد مدلهاي شبكه عصبي مصنوعي بيا اسيتفاده از دو روش ليورنبر تنظيم بايزن آموزش داده شده و با استفاده از معيار ميانگين مربعات خطا MSE مورد ارزيابي قرار گرفتند پس از پاييان مراحيل مربيو به مدلسازي زماني به منظور بررسي مكاني تغييرات سطح آب زيرزميني در اين محدوده مطالعاتي روشهاي مختلف ميانيابي با اسيتفاده از روش صحتسنجي جانبي بررسي و مقايسه شدهاند نتايج نشاندهنده توانايي باالي شبكههياي عصيبي مصينوعي پيشيخور بيا الگيوريتم آموزش لورنبر ماركوات در مدلسازي زماني با پارامتر خطاي MSE متوسط برابر با 71 1 مترمربع و روش كريجييگ معميولي در تخمين مكاني تغييرات سطح آب زيرزميني با پارامتر خطاي RMSE برابر با16 22 متر در محدوده مورد مطالعه ميباشد كلمات كليدي آب زيرزميني مدلسازي زماني مكاني شيبكه عصيبي مصينوعي تحلييل همبسيتگي تحلييل فركانسيي ميانييابي زمينآمار كريجينگ

Modeling Temporal Spatial Changes in Groundwater Level in Interaction with Surface Water using Techniques of Artificial Neural Network and Geostatistics Case Study Najaf Abad Aquifer Mohammad Saleh Ebrahimi Mohammad ebrahimi@cv iut ac ir Date of Submission 4 January 2014 Department of Civil Engineering Isfahan University of Technology Isfahan 84156 83111 Iran Degree M Sc Language Farsi Supervisor Dr Hamid Reza Safavi hasafavi@cc iut ac ir Abstract Modeling of groundwater resources is considered as a tool in water resourcemanagement The interaction of groundwater and surface water resources is importantin water balance Artificial Neural Networks are powerful tool for modeling ofhydrological and groundwater parameters with considering all the parameters affectingon them In this study using correlation analysis methods in the time and frequencydomain under the influence of aquifer parameters affecting groundwater level dividedand changes in groundwater level with time delay with respect to any of the parametersmeasured and with the average level of groundwater in the region and neighboringregions artificial neural networks are considered as inputs Output models are thegroundwater level in all region pizometers separately ANN models using two methods the Levenberg Marquart and Bayesian regularization were trained and was evaluatedusing the criterion of mean squared error MSE After the end of the modeling process In order to investigate spatial variation of groundwater level in this study interpolationmethod by using Cross Validation method were compared Results indicate the abilityof feedforward artificial neural networks with Levenberg Marquardt training algorithmwith average parameter error MSE equal 0 87 square meters in time modeling andordinary Kriging method with average parameter error RMSE equal 11 62 meters inestimating spatial variations in groundwater level for study area Keyworld Groundwater Modeling Temporal Spatial Artificial Neural Networks Correlation Analysis Frequency Analysis Estimates Spatial Geostatistics Kriging

حميدرضا صفوي

آزاده احمدي، جهانگير عابدي كوپايي