| مدلسازی هوشمند سطح آب زیرزمینی با استفاده از معماریهای یادگیری عمیق مبتنی بر گراف |
| کد مقاله : 1081-SCWMSUP (R1) |
| نویسندگان |
|
نگین رشیدی *1، وحید موسوی2 1دانشگاه تربیت مدرس 2دانشیار (نویسنده مسئول)، گروه مهندسی آبخیزداری، دانشکده منابع طبیعی، دانشگاه تربیت مدرس، نور، ایران. پست الکترونیکی |
| چکیده مقاله |
| درک و پیشبینی دقیق تراز آب زیرزمینی برای مدیریت پایدار منابع آب بهویژه در آبخوانهای تحت تنش، ضرورتی اساسی به شمار میرود. در این پژوهش، با هدف ارتقای دقت مدلسازی رفتار هیدرودینامیکی آبخوان کوچصفهان واقع در آبخیز سفیدرود، از مجموعهای معماریهای یادگیری عمیق مبتنی بر شبکههای عصبی ترسیمی شامل GNN، GAT، استفاده شد. دادههای ورودی شامل متغیرهای هیدرو-اقلیمی، زمینشناسی، مشخصات برداشت، و فاصله از عوامل هیدروژئولوژیکی بود و هر چاه پیزومتری بهعنوان یک گره در گراف مکانی مدلسازی گردید. پس از پیشپردازش، ماتریس مجاورت براساس وزندهی معکوس فاصله استخراج و در ساختارهای ترسیمی اعمال شد. نتایج نشان داد مدل پایه GNN قادر به بازسازی روندهای کلی آبخوان است. بهکارگیری سازوکار توجه در مدل GAT موجب بهبود نسبی عملکرد شد و بهبود چشمگیری در شاخصهای R²، RMSE، NSE و KGE نشان داد. دقیقترین نتایج زمانی، آماری و احتمالـی مربوط به مدل GAT بود که با ادغام استخراج ساختارهای مکانی توانست همپوشانی تقریباً کامل با دادههای واقعی ایجاد کرده و با مقادیر 650/0 R²=، 590/0RMSE= و 470/0MAE= بهترین عملکرد را به ثبت برساند. بهطور کلی، یافتهها بیانگر آن است که معماریهای هیبریدی گراف توالی، رویکردی قدرتمند برای مدلسازی سامانههای هیدرولوژیکی پیچیده بهشمار میروند و مدل GAT میتواند بهعنوان گزینهای کارآمد برای توسعه سامانههای پیشبینی عملیاتی و مدیریت پایدار منابع آب زیرزمینی مورد استفاده قرار گیرد. |
| کلیدواژه ها |
| واژههای کلیدی: آب زیرزمینی، شبکههای عصبی ترسیمی (GNN)، یادگیری عمیق، مکانیسم توجه، هوش مصنوعی |
| وضعیت: پذیرفته شده |