شبیه سازی تراز، کلر و بی کربنات آب زیرزمینی توسط ماشین آموزش ترکیبی

در این مطالعه، دو مدل فرا ابتکاری هوش مصنوعی برای شبیه سازی داده های سری زمانی پارامترهای کمی (نوسانات تراز آب زیرزمینی) و کیفی (کلر و بی کربنات) آب زیرزمینی درون یک چاه مشاهداتی واقع در شهر کرمانشاه، ایران، از سال 2005 تا 2018 به صورت ماهانه ارایه شد. برای تعریف مدل هیبریدی هوش مصنوعی، ماشین آموزش نیرومند  (ELM)، الگوریتم تکامل تفاضلی (DE) و تبدیل موجک با هم ترکیب شدند و مدل های ماشین آموزش نیرومند خود تطبیقی (SAELM) و موجک-ماشین آموزش نیرومند خود تطبیقی  (WSAELM)ارایه شدند. لازم به ذکر است که برای شناسایی تاخیرهای موثر داده های سری زمانی از تابع خود همبستگی استفاده گردید. علاوه بر این، 70 درصد داده های مشاهداتی برای آموزش مدل های هوش مصنوعی و 30 درصد باقیمانده برای تست آنها استفاده شدند. سپس، با استفاده از این تاخیرهای موثر، مدل های مختلفی برای الگوریتم های هیبریدی SAELM و WSAELM تعریف شدند. سپس با اجرای یک تحلیل حساسیت، مدل های برتر برای مدل سازی تراز آب زیرزمینی، کلر و بی کربنات معرفی شدند. به عنوان مثال، برای مدل برتر WSAELM جهت شبیه سازی نوسانات آب زیرزمینی، مقادیر ضریب همبستگی (R)، شاخص عملکرد (VAF) و ضریب نش  (NSC) به ترتیب مساوی با 988/0، 450/97 و 973/0 به دست آمدند. لازم به ذکر است که برای پیش بینی HCO3 نیز تاخیرهای (t-1)، (t-2)، (t-3) و (t-4) به عنوان موثرترین تاخیرهای داده های سری زمانی شناسایی شدند. با اجرای یک تحلیل عدم قطعیت نشان داده شد که مدل برتر مقادیر Cl و HCO3 کمتر از واقعی شبیه سازی کرد اما مدل برتر مقادیر تراز آب زیرزمینی را با عملکردی بیشتر از مقدار واقعی پیش بینی نمود.