تعداد نشریات | 20 |
تعداد شمارهها | 362 |
تعداد مقالات | 2,985 |
تعداد مشاهده مقاله | 3,827,002 |
تعداد دریافت فایل اصل مقاله | 2,607,186 |
بررسی کیفیت آب زیرزمینی آبخوان دشت گناباد خراسان رضوی با استفاده از روش های آماری چند متغیره و هوش مصنوعی | ||
نشریه مهندسی منابع معدنی | ||
مقاله 4، دوره 2، شماره 1، خرداد 1396، صفحه 49-61 اصل مقاله (2.75 M) | ||
شناسه دیجیتال (DOI): 10.30479/jmre.2017.1068 | ||
نویسندگان | ||
رضا روکی* 1؛ احمد آریافر2؛ جعفر عادلی نسب3 | ||
1استادیار گروه مهندسی معدن، دانشگاه صنعتی بیرجند | ||
2دانشیار گروه مهندسی معدن، دانشکده مهندسی، دانشگاه بیرجند | ||
3کارشناسی ارشد مهندسی اکتشاف معدن، دانشگاه بیرجند | ||
تاریخ دریافت: 31 خرداد 1396، تاریخ پذیرش: 31 خرداد 1396 | ||
چکیده | ||
با توجه به اهمیت مطالعه آبهای زیرزمینی در زمینه شرب، صنعت و کشاورزی، بررسی تغییرات کیفی آب میتواند برای بشر حائز اهمیت باشد. در این تحقیق دادههای هیدروشیمیایی اخذ شده از چاههای بهرهبرداری دشت گناباد که در جنوب استان خراسان رضوی واقع شده، طی یک دوره 5 ساله (از 85 تا 90) مورد مطالعه قرار گرفته است. روشهای گرافیکی و همچنین طبقهبندی کیفیت آب زیرزمینی نشان میدهد که تیپ آب دشت عمدتا سدیک- سولفاته است. بررسی توزیع فضایی کیفیت آب با استفاه از مدل آمار چند متغیرهR-mode نشان میدهد که کیفیت آب در دشت متاثر از 2 فاکتور است. فاکتور اول که ترکیب خطی عوامل Ca2+،Mg2+،Na+، So42-، Cl-، TH و EC است به عنوان فاکتور شوری و سختی آب در دشت شناخته میشود. فاکتور دوم ترکیب HCo3-، CO32- و pH است که بیانگر آلکالینیته آب بوده که بار فاکتوری بالای pH موید آن است. در ادامه مدلسازی پارامترهای کیفیTDS، EC و TH آب زیرزمینی با استفاده از پارامترهای شیمیایی یعنی یونهای اصلی و pH با شبکههای عصبی مصنوعی انجام شد. مقایسه نتایج حاصل از پیشبینی شبکه عصبی با دادههای صحرایی نشان دهنده قابلیت بالای این روش برای پیشبینی کیفیت آب از روی فقط چند کاتیون و آنیون و pH است، بنابراین در صورت کمبود مطالعات در یک منطقه میتوان از این مدلها برای پیش بینی کیفیت آب در نقاط مجهول استفاده کرد. نتایج مطالعه برای مدیریت زیست محیطی و بهرهبرداری بهتر از منابع آب زیرزمینی مفید است. | ||
کلیدواژهها | ||
هیدروشیمی؛ تحلیل فاکتوری R-mode؛ شبکه عصبی مصنوعی؛ دشت گناباد | ||
عنوان مقاله [English] | ||
Investigating the groundwater quality in aquifer of Gonabad basin, Khorasan Razavi, using multivariate statistical methods and artificial intelligence | ||
نویسندگان [English] | ||
R. Rooki1؛ A. Aryafar2؛ J. Adelinasab3 | ||
1Assistant Professor, Faculty of Mining, Civil and Chemical Engineering, Birjand University of Technology | ||
2Associate Professor, Faculty of Engineering, University of Birjand | ||
3M.Sc Student, Dept. of Mining, Faculty of Engineering, University of Birjand | ||
چکیده [English] | ||
The study on the quality of groundwater is important for drinking, industry and agriculture purposes. In this research, the hydrochemical data collected from exploitation wells in Gonabad basin- Khorasan Razavi, have been studied in period of 5 years (from 85 to 90). Graphical methods and classification of underground water quality show that the type of water is mainly that of sodium sulfate. Spatial distribution of water quality using multivariate statistical R-mode model states that water quality in this basin is affected by two factors. The first factor which is known as salinity and water hardness in plain is the linear combination of Ca2+, Mg2+, Na+, SO42-, Cl-, TH and EC. The second factor is the combination of HCO3-, CO32- and pH which indicates water alkalinity for which higher pH is an evidence. Further in the research, the modeling of quality parameters TDS, EC and TH is done with chemical parameters such as primary ions and pH using artificial neural network. The comparison of results obtained from filed with those of neural network is very analogous showing the high ability of this method for water quality prediction. Therefore, in case of lack of data in the area, this model can be used to predict water quality in target locations. The results can be used to environmental management and better exploitation of groundwater resources. | ||
کلیدواژهها [English] | ||
Hydrochemistry, R- mode factor analysis, Artificial neural network, Gonabad basin | ||
مراجع | ||
[1] Kumru, M. N., and Bakac, M. (2003). “R-mode factor analyses applied to the distribution of element in soils from the Aydin basin, Turkey”. Journal of Geological Exploration, 77: 81-91. [2] Amos, A., Love, D., Hallbauer, D., and Hranova, R. (2004). “Factor analysis as a tool in groundwater quality management: two southern African case studies”. Journal of Physics and Chemistry of The Earth, 29: 1135-1143. [3] Bakac, M. (2004). “R-mode factor analysis applied to the distribution of radionuclide in Turkey”. Journal of Radiation Physics and Chemistry, 71: 781-782. [4] Lambrakis, N., Stamatis, G., Alexakis, D and Zagana, E. (2006). “Groundwater quality in Mesogea basin in eastern Attica (Greece)”. Journal of Hydrological Processes, 20: 2803-2818. [5] Shu-ke, C., Dong-lin, D., Qialig, W., Rui, Z., Ying-xia, S., and Li, P. (2007). “Environmental characteristics of groundwater: an application of PCA to water chemistry analysis in Yulin”. Journal of China University of Mining & Technology, 17(2): 73-77. [6] Omo-Irabor, O., Bamidele Olobaniyi, S., Oduyemi, K., and Akunna, J. (2008). “Surface and groundwater water quality assessment using multivariate analytical methods: A case study of the Western Niger Delta, Nigeria”. Journal of Physics and Chemistry of The Earth, 33: 666-673. [7] Akabzaa, T., Yidana, S. M., and Banoeng-Yakubo, B. (2010). “Analysis of groundwater quality using multivariate and spatial analyses in the Keta basin, Ghana”. Journal of African Earth Sciences, 58: 220-234. [8] Aryafar, A., and Doulati Ardejani, F. (2013). “R-mode factor analysis, a popular multivariate statistical technique to evaluate water quality in Khaf-Sangan basin, Mashahd, Northeast of Iran”. Arabian Journal of Geosciences, 6(3): 893-900. [9] Moosavi, V., Vafakhah, M., and Shirmohamadi, B. (2013). “A wavelet-ANFIS hybrid model for groundwater level forecasting for different prediction periods”. Water Resources Management, 27: 1301-1321. [10] Singh, K. P., Malik, A., and Sinha, S. (2005). “Water quality assessment and apportionment of pollution sources of Gomti river (India) using multivariate statistical techniques- a case study”. Analytica Chimica Acta, 538: 355–374. [11] Stamatis,G., Lambrakis, N., Alexakis, D., and Zagana, E. (2006). “Groundwater quality in Mesogea basin in eastern Attica (Greece)”. Hydrological Processes, 20: 2803–28188. [12] Shrestha, S., and Kazama, F. (2007). “Assessment of surface water quality using multivariate statistical techniques: A case study of the Fuji river basin, Japan”. Environmental Modelling & Software, 22: 464- 475. [13] Abu-Khalaf, N., Khayat, S., and Natsheh, B. (2013). “Multivariate data analysis to identify the groundwater pollution sources in Tulkarm area/Palestine”. Science and Technology, 3: 99-104. [14] Chu, H. B., Lu, W. X., and Zhang, L. (2013). “Application of artificial neural network in environmental water quality assessment”. Journal of Agricultural Science and Technology, 15: 343-356. [15] Moasheri, S. A., Mohamad Rezapour, O., Beyranvand, Z., and Poornoori, Z. (2013). “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, 5(20): 2434-2442. [16] Kheradpisheh, Z., Talebi, A., Rafati, L., Ghaneeian, M.T., and Ehrampoush, M. H. (2015). “Groundwater quality assessment using artificial neural network: A case study of Bahabad plain, Yazd, Iran”. Desert, 20(1): 65-71. [17] Cuesta Cordoba, I. G. A. (2011). “Using of artificial neural network for evaluation and prediction of some drinking water quality parameters within a water distribution system”. Water Management and Water Structures, 3: 1-11. [18] Nourani, V., and Ejlali, G. (2012). “Quantity and quality modeling of groundwater by conjugation of ANN and co-kriging approaches”. Water Resources Management and Modeling, 287-310. [19] زارعی، ح.؛ کلانتری، ن.؛ چرچی، ع.؛ 1384؛ "آنالیز آماری پارامترهای هیدروشیمیایی آبخوان آبرفتی دشت زیدون استان خوزستان"، مجموعه مقالات نهمین همایش انجمن زمین شناسی ایران، دانشگاه تربیت معلم تهران، ص 60-51. [20] بنی اسدی، ع.؛ دولتی اردهجانی، ف.؛ کرمی، غ.؛ بنی اسدی، م.؛ 1388؛ "بررسی هیدروژئوشیمی و کنترل کیفیت آب آشامیدنی دهستان سیه بنوئیه کرمان"، مجموعه مقالات سومین همایش تخصصی محیطزیست، دانشکده محیط زیست دانشگاه تهران، 7 صفحه. [21] عسکری، م ص.؛ آریافر، ا.؛ 1390؛ "پیشبینی پارامترهای کیفی EC، TDS و TH در آب زیرزمینی دشت بیرجند با استفاده از شبکه عصبی مصنوعی"، هفتمین کنفرانس زمینشناسی مهندسی و محیطزیست ایران، دانشگاه صنعتی شاهرود، 11 صفحه. [22] محمدقاسمی، ط.؛ آریافر، ا.؛ 1390؛ "استفاده از شاخص کیفی و نمودارهای Piper و Durov جهت ارزیابی کیفیت آب زیرزمینی دشت اسفدن- قائن"، هفتمین کنفرانس زمینشناسی مهندسی و محیطزیست ایران، دانشگاه صنعتی شاهرود، 8 صفحه. [23] ننقینسب، ب.؛ 1393؛ "پایش کیفیت آب زیرزمینی در آبخوان دشت گنبد-گرگان طی سالهای 1375 تا 1390"، پایاننامه کارشناسی ارشد، دانشگاه بیرجند. [24] آریافر، ا.؛ دولتی ارده جانی، ف.؛ محوی، م.؛ کیانوش، پ.؛ 1388؛ "استفاده از شاخص کیفی آب و شاخص اشباع برای ارزیابی کیفیت آب زیرزمینی در دشت خواف- سنگان"، سومین همایش و نمایشگاه تخصصی مهندسی محیط زیست، دانشکده محیط زیست دانشگاه تهران، 8 صفحه. [25] Piper, A. M. (1994). “A graphic procedure in the geochemical interpretation of water”. Transactions of The American Geophysical Union, 25: 914- 928. [26] Demuth, H., and Beale, M. (2002). “Neural network toolbox for use with MATLAB”. Natick, MA: The Mathworks, pp. 840. [27] Haykin, S. (2004). “Neural network a comprehensive foundation”. Prentice-Hall of India Pvt. Ltd, pp. 823. | ||
آمار تعداد مشاهده مقاله: 1,726 تعداد دریافت فایل اصل مقاله: 4,196 |