پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,501 |
| تعداد مشاهده مقاله | 124,101,301 |
| تعداد دریافت فایل اصل مقاله | 97,208,014 |
ارائه روشی جدید برای ارزیابی کیفیت هیدروژئوشیمیایی آب‌های زیرزمینی با استفاده از الگوریتم‌های هوش جمعی | ||
| اکوهیدرولوژی | ||
| مقاله 15، دوره 6، شماره 1، فروردین 1398، صفحه 177-190 اصل مقاله (1.3 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ije.2018.267754.967 | ||
| نویسندگان | ||
| حجت امامی* 1؛ سمیه امامی2 | ||
| 1استادیار گروه مهندسی کامپیوتر، دانشکدۀ فنی و مهندسی، دانشگاه بناب | ||
| 2دانشجوی دکتری سازه های آبی، گروه علوم و مهندسی آب، دانشگاه تبریز، تبریز | ||
| چکیده | ||
| طی سالهای اخیر، افزایش میزان شوری و کاهش کیفیت آب‌های زیرزمینی به‌دلیل نفوذ و اختلاط آلایندهها، به یکی از چالشهای زیستمحیطی تبدیل شده است. این چالشها مخاطراتی جدی در راه توسعۀ جوامع بشری و سلامت انسان به وجود آورده‌اند. به‌منظور جلوگیری از مخاطرات آتی و برنامهریزیهای مناسب برای حفظ منابع آبی، بررسی کیفی منابع آب زیرزمینی از موارد ضروری است. در پژوهش حاضر، روش هوش جمعی مبتنی بر الگوریتم‌های فراابتکاری انتخابات و گرگ خاکستری به‌منظور تعیین مقادیر بهینه برای پارامترهای کیفی آب نظیر TDS، EC و SAR ارائه شده است. به‌منظور ارزیابی روشهای پیشنهادی، از دادههای مربوط به دشت بستانآباد طی دورۀ آماری 10 ساله (1382ـ 1392) استفاده شده و نتایج براساس استانداردهای ویلکاکس، شولر و پایپر بررسی شد. نتایج آزمایشها نشان میدهند آب‌های زیرزمینی دشت بستانآباد برای مصارف کشاورزی و شرب در حد متوسط تا قابل قبول بوده و به‌دلیل خورندگی و سختی کم، از نظر استفاده در صنعت مناسب‌اند. بیشتر دادهها در کلاس C2S2 قرار گرفتند که برای مقاصد کشاورزی مناسب است. ضریب همبستگی بیش از 95 درصد، بیان‌کنندۀ دقت قابل قبول الگوریتم بهینهسازی گرگ خاکستری در مقایسه با الگوریتم انتخابات در تخمین پارامترهای کیفی آب زیرزمینی است. | ||
| کلیدواژه‌ها | ||
| آب زیرزمینی؛ الگوریتم بهینهسازی گرگ خاکستری؛ الگوریتم انتخابات؛ کیفیت آب | ||
| مراجع | ||
|
[1]. Ahmadi SH, Sedghamiz A. Application and evaluation of kriging and cokiriging metods on groundwater depth mapping. Environ. Moint. Assess. 2008; 138: 357- 368. [Persian] [2]. Samin M, Soltani J, Zeraatcar Z, Moasheri SA, Sarani N. Spatial Estimation of Groundwater Quality Parameters Based on Water Salinity Data using Kriging and Cokriging Methods. International Conference on Transport, Environment and Civil Engineering. 2012; 5 p. [Persian] [3]. Mohammadzadeh Romiani H, Masoumi F. Optimization of concrete gravity dams dimensions using imperialist competitive algorithm (ICA). The 16th Hydrualic Conference of Iran, Faculty of Engineering, University of Mohaghegh Ardebili, Ardebil, 15-16 september. 2017. [Persian]
[4]. Khamr Z, Mahmoodi-Gharaie MH, Omrani S, Sayareh AR. Evaluation of water quality in the Zar mountain of west of Torbat-Heydarieh. Iranian Economic Geology Society Conference. 2012. [Persian]
[5]. Emami S, Hemmati M, Arvanaghi H. Performance evaluation of Imperialist Competitive and Genetic algorithm for estimating groundwater quality parameters (case study: Bostanabad plain). Hydrogeology. 2017; 2(2): 44-53. [Persian]
[6]. Vahabzadeh Gh, Delavar H, Ghorbani J, Eshrafi MR. Investigation of changes in Chlorine and Salinity levels of groundwater in Firoozabad plain and comparative evaluation of agricultural and drinkable water. Journal of Research in Environmental Health. 2018; 4(1): 67-74.
[7]. Zareh-Abianeh H, Bayat-Vorkeshi M, Akhavan S, Mohammadi M. Estimation of groundwater nitrate in Hamedan-Bahar plain using artificial neural network and data separation effect on prediction precision. Ecology. 2011; 37(58): 129-140.
[8]. Rafati L, Mokhtari M, Fazelinia F, Momtaz SM Mahvi AH. Evaluation of ground water fluoride concentration in Hamadan Province west of IRAN. Iranian Journal of Health Sciences. 2013; 1(3): 71-76. [Persian]
[9]. Moasheri SA, Rezapour OM, Beyranvand Z, Poornoori Z. Estimating the spatial distribution of groundwater quality parameters of Kashan plain with integration method of Geostatistics - Artificial Neural Network Optimized by Genetic-Algorithm. International Journal of Agriculture and Crop Sciences. 2013; 23: 2434-2442.
[10]. Azarwater.ir [Last Access: 2018/6/22]
[11]. Mirjalili S, Mirjalili SM, Lewis A. Grey Wolf Optimizer, Advances in Engineering Software. 2015; 69: 920140 46-61.
[12]. Mech LD. Alpha Status, Dominance, and Division of Labor in Wolf Packs, Canadian Journal of Zoology. 1999; 77(8): 1196-1203.
[13]. Muro C, Escobedo R, Spector L, Coppinger R. Wolf-pack (Canis Lupus) Hunting Strategies Emerge from Simple Rules in Computational Simulations, Behavioural Processes. 2011; 88(3): 192-197.
[14]. Emami H, Derakhshan F. Election algorithm: A new socio-politically inspired strategy. AI Communications. 2015; 28: 591-603.
[15]. Eslamian, SS, Lavaei N. Modeling Nitrat pollution of Groundwater using Artificial Neural Network and Genetic Algoritm in an Arid zone, international Jornal of water, Special Issue on Groundwater and surface water Interaction (GSWI). 2009; 5(2): 194-203.
[16]. Larose DT. Discovering knowledge in data: an introduction to data mining. Jhon Wiley & Sons Inc. 2005; 240 p. | ||
|
آمار تعداد مشاهده مقاله: 626 تعداد دریافت فایل اصل مقاله: 430 |
||