تخمین پارامترهای آبخوان با استفاده از نتایج آزمایش پمپاژ بوسیله شبکه های عصبی مصنوعی مختلف

شبکه های عصبی مصنوعی به طور فزاینده ای برای پیش بینی پارامترها و مدیریت بهینه منابع آب در حال استفاده هستند. یکی از دلائل گرایش به این شبکه ها رفتار غیرخطی و پیچیده پارامترهای منابع آب سطحی و زیرزمینی از یکطرف و قابلیت انعطاف پذیری بالای شبکه های عصبی مصنوعی در حل اینگونه مسائل از طرف دیگر می باشد. در اکثر مقالات کار شده در این مورد استفاده از شبکه عصبی مصنوعی feedforward با الگوریتم آموزش پس انتشار مورد بررسی قرار گرفته است. در این مقاله سعی شده است از سایر شبکه های عصبی مانند شبکه های شعاع مبنا و بازگشتی جهت تخمین پارامترهای هیدرولیکی آبخوان استفاده کرده و نتایج حاصل از آن را با داده های مشاهداتی واقعی و همچنین عملکرد شبکه feedforward مقایسه نموده و کارایی شبکه های فوق را مورد مقایسه و بررسی قرار دهیم. همچنین تاثیر تغییر الگوریتم پس انتشار و استفاده از سایر الگوریتم های موجود نیز مورد بررسی و مقایسه قرار گرفته اند. در نهایت داده ها توسط تکنیک تحلیل مولفه های اصلی کاهش بعد داده شده و روند آموزش و صحت سنجی تکرار می گردد. نتایج بدست آمده بیانگر آنست که شبکه های مختلف عصبی مصنوعی و الگوریتم های مورد استفاده همگی تخمین های قابل قبولی از پارامتر های مورد نظر داشته اند و لیکن هرکدام محدودیت هایی که لازمه خصوصیات ذاتی آنهاست نیز بروز داده اند. همچنین تکنیک تحلیل مولفه های اصلی، زمان آموزش شبکه را به مقدار قابل ملاحظه ای کاهش می دهد.