fa کارایی الگوریتم هیبریدی ازدحام ذرات در شبیه سازی سطح تراز ایستابی (مطالعه موردی: آبخوان دشت اردبیل) تخصصي Special پژوهشي Research <div style="text-align: justify;"><span style="font-family:b nazanin;"><span style="font-size:12.0pt;">آب زیرزمینی و مدیریت منابع آب نقش کلیدی در پایداری منابع آب در نواحی خشک و نیمه خشک ایفا می&shy;کند. پیش&shy;بینی تراز آب زیرزمینی به منظور مدیریت و برنامه&shy;ریزی منابع آب، بسیار مهم است. در این تحقیق از مدل‌های شبکه عصبی مصنوعی و مدل شبکه عصبی مصنوعی مبتنی بر الگوریتم ازدحام ذرات برای تخمین تراز آب زیرزمینی دشت اردبیل استفاده شده است. داده&shy;های مورد استفاده شامل تراز سطح ایستابی طی یک دوره آماری 1351 تا 1390 بوده است. ورودی مدل‌ها در این مطالعه تراز سطح ایستابی در ماه&shy;های مختلف بوده است. برای بررسی نتایج دو مدل مذکور از معیارهای ارزیابی مجذور میانیگن مربعات خطا، ضریب همبستگی و ضریب نش&shy;-ساتکیف استفاده شده است. در نهایت نتایج حاکی از عملکرد بهتر مدل شبکه عصبی مصنوعی-ازدحام ذرات بوده است. نتایج مجذور میانگین مربعات خطای مدل برتر در فصل بهار، تابستان، پاییز و زمستان به ترتیب برابر با 467/0، 507/0، 309/0، 386/0 بوده است. این نتایج نشان می&shy;دهد که ساختار هیبریدی شبکه در بخش آموزش باعث افزایش دقت مدل شده است. بنابراین از مدل مذکور می&shy;توان در تخمین تراز سطح ایستابی دشت اردبیل با دقت قابل قبول استفاده کرد.</span></span></div> <div style="text-align: justify;">Groundwater and water resource management play key roles in water resource sustainability in arid and semi-arid areas. Forecasting groundwater level is very important for water resource management and planning. In this study, an artificial neural network and a particle swarm algorithm based on artificial neural network models have been used to estimate groundwater level in the Ardebil plain. Water table level data for the 1972 -2011 period was used as our data in this study. Model inputs were water table level of various months. Results of both models were evaluated by root-mean-square error, the correlation coefficient and Nash-Sutcliffe coefficient. Results showed the performance of the particle swarm algorithm based on artificial neural network models to be superior. Root-mean-square error results for the particle swarm algorithm model in spring, summer, autumn and winter were 0.476, 0.507, 0.309, and 0.386 respectively. These results show that the hybrid structure of the network in training leads to increased accuracy. Thus, the particle swarm algorithm based on artificial neural network models can be used to estimate groundwater level in the Ardebil plain with acceptable accuracy.</div> الگوریتم ازدحام ذرات, تراز آب زیرزمینی , دشت اردبیل, شبکه عصبی مصنوعی Particle Swarm algorithm, Groundwater level, Ardabil plain, Artificial neural network 77 87 http://jircsa.ir/browse.php?a_code=A-10-413-8&slc_lang=fa&sid=1 Babak Mohammadi بابک محمدی babakmsh@yahoo.com 10031947532846002208 10031947532846002208 Yes University of Tabriz دانشگاه تبریز SEYED MUSTAFA BIAZAR سید مصطفی بی آزار seyedmostafa71@yahoo.com 10031947532846002209 10031947532846002209 No University of Tabriz دانشگاه تبریز esmaeil asadi اسماعیل اسدی b.mohammadi71@ymail.com 10031947532846002210 10031947532846002210 No University of Tabriz دانشگاه تبریز