مقایسه روش های سیستم استنتاج فازی- عصبی تطبیقی، شبکه عصبی مصنوعی و برنامه ریزی بیان ژن در تخمین میزان سختی آب زیرزمینی (مطالعه موردی: دشت مازندران)
نویسنده(گان):	رضا دهقانی*، امیر پورحقی، مهرداد خیرایی
چکیده:	میزان سختی آب زیرزمینی عامل مهمی در مسائل هیدروژئولوژی و بویژه مطالعه کیفی آب های زیرزمینی می باشد. در چند دهه اخیر سیستم های هوش مصنوعی کاربرد زیادی در علوم مختلف از جمله مدیریت منابع آب داشته است. در این پژوهش تخمین میزان سختی آب زیرزمینی دشت مازندران، با استفاده از برنامه ریزی بیان ژن مورد بررسی قرار گرفته و نتایج آن با سایر روش های هوشمند همچون شبکه عصبی مصنوعی و سیستم استنتاج فازی- عصبی تطبیقی مقایسه شده است، برای این منظور هیدروژن کربنات، کلرید، سولفات، منیزیم و کلسیم در مقیاس زمانی ماهانه در طی دوره آماری (۱۳۷۳-۱۳۹۳) بعنوان ورودی و میزان سختی آب بعنوان پارامتر خروجی انتخاب گردید. معیارهای ضریب همبستگی، ریشه میانگین مربعات خطا، میانگین قدر مطلق خطا و ضریب نش ساتکلیف برای ارزیابی و نیز مقایسه عملکرد روش ها مورد استفاده قرار گرفت. نتایج حاصله نشان داد مدل برنامه ریزی بیان ژن دارای بیش ترین ضریب همبستگی ۹۶۰/۰، کمترین ریشه میانگین مربعات خطاppm ۱۱۲/۰، میانگین قدر مطلق خطا ppm ۱۷۱/۰ و نش ساتکلیف۸۸۰/۰ در مرحله صحت سنجی در اولویت قرار گرفت. در مجموع نتایج نشان داد که مدل برنامه ریزی بیان ژن توانایی بالایی در تخمین برخی مقادیر بیشینه و میانی میزان سختی آب زیرزمینی دارد.
کلیدواژگان:	برنامه ریزی بیان ژن، تخمین، دشت مازندران، شبکه عصبی مصنوعی، سیستم استنتاج فازی، عصبی تطبیقی
زبان:	فارسی
انتشار در:	مجله یافته های نوین زمین شناسی کاربردی، پیاپی ۱۹ (بهار و تابستان ۱۳۹۵)
صفحات:	۵۴ -۶۵
نسخه الکترونیکی:	متن این مقاله در سایت مگیران قابل مطالعه است.

Comparison of Anfis, Artificial neural network, and Gene expression programming to estimate the amount of Water hardness (Case study: Mazandaran Plain)
Author(s):	Reza.Dehghani Dehghani *، Amir Pourhaghi، Mehrdad Kheiraey
Abstract:	Rate of water hardness is an important factor in hydrogeology, particularly in groundwater quality researches. In recent decades, the artificial intelligence systems such as artificial neural networks have many applications in various sciences, including management of water resources. In this study, estimated rate of groundwater hardness in Mazandaran plain, using Gene expression programming have been studied and the results is compared with other intelligent methods such as artificial neural network and Anfis. For this purpose the hydrogen carbonate, chloride, sulfate, magnesium and calcium monthly time scale of the period (1994-2014) was selected as inputs and water hardness as output. Standard deviation of the correlation coefficient, root mean square error, and coefficient of Nash Sutcliff were used to assess various methods. The results showed that Gene expression programming model has the maximum correlation coefficient 0.960, minimum root mean square error 0.112, mean absolute error 0.171 coefficient of Nash Sutcliff 0.880 was in the verification phase. In overall, the results showed that the Gene expression programming model has high performance in estimating some maximum and intermediate values of groundwater hardness.
Keywords:	Gene expression programming، estimating، Mazandaran Plain، ANN، Anfis
Language:	Persian
Published:	Journal of New Findings in Applied Geology, Volume:10 Issue: 19, 2016
Pages:	54 -65
Full text:	PDF is available on the website.