عنوان پایان‌نامه
پیش بینی توزیع آلودگی و تخمین موقعیت منابع آلودکننده آب زیرزمینی با کاربرد مدل های عددی وشبکه عصبی مصنوعی
- رشته تحصیلی
- مهندسی عمران - مهندسی آب
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس یک فنی شماره ثبت: 1219;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 40653
- تاریخ دفاع
- ۱۹ بهمن ۱۳۸۷
- دانشجو
- علی باقری حسین آباد
- استاد راهنما
- رضا غیاثی
- چکیده
- هدف از انجام این پایان‌نامه یافتن موقعیت منبع مواد آلاینده آب‌زیرزمینی بوده است. در این تحقیق با استفاده همزمان از مدلسازی عددی و شبکه‌های عصبی مصنوعی موقعیت منبع آلوده‌کننده آب زیرزمینی تخمین زده شده است. پایگاه اطلاعات شبکه‌های عصبی مصنوعی با استفاده از مدلسازی عددی تولید شده است. مدلسازی عددی جریان به صورت دائمی با نرم‌افزار Modflow و مدلسازی آلودگی به صورت غیر دائمی با کاربرد نرم‌افزار MT3D انجام شده است. شرایط مرزی و غلظت‌های منبع آلاینده به صورت متناوب و طی دوره‌های سه ماهه تغییر کرده است. میدان محاسباتی که در آن مدلسازی صورت گرفته است بر اساس مشخصات یک منطقه‌ی نفتی با تعدادی مخزن حاوی مواد نفتی و شیمیایی بوده است. پس از مدلسازی جریان و آلودگی، اطلاعات غلظت چاهک‌های گمانه پایین دست منبع آلاینده برداشت شده است. غلظت این چاهک‌ها و مختصات آنها، ورودی‌های شبکه‌ی عصبی مصنوعی را تشکیل می‌دهد. تحلیل شبکه‌ی عصبی مصنوعی با نرم‌افزار Qnet انجام شده است. اطلاعات خروجی شبکه نیز پارامترهای مرتبط با موقعیت منبع آلودگی می‌باشد. نتایج حاصل از شبکه‌ی عصبی مصنوعی حاکی از این است که شبکه به خوبی قادر به آموزش و آزمایش این مساله می‌باشد و می‌تواند موقعیت منبع آلاینده را به خوبی شناسایی کند. معماری شبکه مورد استفاده با 14 نرون ورودی، شش نرون در لایه مخفی و سه نرون در لایه خروجی به صورت بهینه در آمد. ضریب همبستگی در آموزش و آزمایش شبکه برای داده‌های مورد نظر 998/0 و 997/0 و همچنین خطای آموزش و آزمایش شبکه، دو درصد می‌باشد
- Abstract
- The purpose of this thesis was to find the location of groundwater contamination source. In this research, by using both numerical model and Artificial Neural Networks (ANNs) together, the position of groundwater pollution source is estimated. ANNs database is generated by using numerical simulation. Numerical modeling of groundwater flow in steady state and modeling of pollution in unsteady state are implemented with Modflow and MT3D softwares respectively. Boundary condition data and concentration of contaminant source have changed periodically in three months time intervals. Computational domain is located in a region with several reservoirs of oil and chemical agents. After numerical simulation, concentration data of concerned borehole location was recorded. The inputs and outputs of ANN consist of coordination of borehole, concentration and other parameters regard determination of pollution source location. Analysis of ANN is done by using Qnet. Results show that the ANN is able to be trained suitably to test the studied case. The ANN architecture was optimized with 14, 6 and 3 neurons in the input, hidden and output layers respectively. The correlation coefficient in the training and test becomes 0.998 and 0.997. Also the RMSE (Root Mean Square Error) is about 2% in both training and test processes.
