fa پیش‌بینی غلظت کلراید آب زیرزمینی با استفاده از روش ماشین مرکب هوش مصنوعی نظارت شده (SAICM) (مطالعه موردی: دشت ساری) هیدروژئولوژی (آب های زیرزمینی) Hydrogeology مقاله پژوهشی Original Research <div style="text-align: justify;"><span style="line-height:2;"><span style="font-size:14px;"><span style="font-family:yekanYW;"><span style="color:#000000;"><span style="direction:rtl"><span style="unicode-bidi:embed"><span lang="FA">ارزیابی کیفی آب‌های ساحلی که تحت تأثیر شوری آب دریا قرار می‌گیرند را می‌توان با استفاده از پارامتر کلراید موجود در آب زیرزمینی انجام داد. این تحقیق یک روش ماشین مرکب هوش مصنوعی نظارت شده (</span><span dir="LTR">SAICM</span><span lang="FA">) را جهت پیش‌بینی دقیق غلظت کلراید آب زیرزمینی دشت ساری پیشنهاد می‌دهد. </span><span dir="LTR">SAICM</span> با ترکیب غیرخطی مدل‌های هوش مصنوعی، غلظت کلراید را به عنوان خروجی مدل پیش‌بینی می‌کند. در این تحقیق از روش آنالیز مؤلفه‌های اصلی (<span dir="LTR">PCA</span><span lang="FA">)، جهت شناسایی پارامترهای هیدروشیمیایی مؤثر مرتبط با غلظت کلراید به عنوان مؤلفه‌های ورودی به مدل‌های هوش مصنوعی استفاده شده است. بر اساس نتایج حاصل از </span><span dir="LTR">PCA</span><span lang="FA">، پارامترهای (</span><span dir="LTR">Na, K, EC, TDS, SAR</span><span lang="FA">)، به عنوان مؤلفه‌های ورودی مدل‌های هوش مصنوعی انتخاب گردید. در ابتدا چهار مدل هوش مصنوعی، منطق فازی سوگنو، منطق فازی ممدانی، منطق فازی لارسن و شبکه عصبی مصنوعی جهت پیش‌بینی غلظت کلراید طراحی گردید. بر اساس نتایج حاصل از مدل‌سازی، تمامی مدل‌ها برازش مناسبی با داده‌های کلراید در دشت ساری نشان داده‌اند. سپس مدل ترکیبی </span><span dir="LTR">SAICM</span> ساخته شد که نتایج حاصل از پیش‌بینی 4 مدل <span dir="LTR">AI</span> جداگانه را با استفاده از ترکیب کننده غیرخطی <span dir="LTR">ANN</span> ، ترکیب نموده و غلظت کلراید را با دقت بیشتری تعیین می‌کند. نتایج نشان می‌دهد مدل ماشین مرکب پیشنهاد شده <span dir="LTR">SAICM</span> می‌تواند غلظت کلراید را با دقت بسیار بالاتری نسبت به <span lang="FA">روش‌های جداگانه، تخمین بزند.</span><span dir="LTR"><span style="font-family:"Calibri",sans-serif"></span></span></span></span></span></span></span></span><br> &nbsp;</div> <div style="text-align: justify;"><span style="color:#000000;"><span style="font-size:14px;"><span style="font-family:yekanYW;"><span style="line-height:2;">Qualitative assessment of coastal waters affected by seawater salinity can be done using the parameter of chloride in groundwater. This research proposes a supervised artificial intelligence committee machine (SAICM) method for accurate prediction of chloride concentration in groundwater of Sari plain. SAICM predicts chloride concentration as the output of the model by non-linear combination of artificial intelligence models. In this research, Principal Component Analysis (PCA) method was used to identify effective hydrochemical parameters related to chloride concentration as input components to artificial intelligence models. Based on the results of PCA, parameters (Na, K, EC, TDS, SAR) were selected as input components of artificial intelligence models. Firstly, four artificial intelligence models, Sogno fuzzy logic, Mamdani fuzzy logic, Larsen fuzzy logic and artificial neural network were designed to predict chloride concentration. Based on the modelling results, all the models showed a good fit with the chloride data in Sari Plain. Then, the combined SAICM model was built, which combines the prediction results of 4 separate AI models using the nonlinear ANN combiner and determines the chloride concentration more accurately. The results show that the proposed SAICM can estimate chloride concentration with much higher accuracy than individual methods.<b><span dir="RTL" lang="FA"><span style="font-family:"Times New Roman",serif"></span></span></b></span></span></span></span></div> شبکه عصبی مصنوعی, ماشین مرکب, منطق فازی, کیفیت آب زیرزمینی, آنالیز مؤلفه‌های اصلی. artificial neural network, committee machine, fuzzy logic, ground water quality, principal component analysis. 228 252 http://jeg.khu.ac.ir/browse.php?a_code=A-10-1914-1&slc_lang=fa&sid=1 Tahereh Azari طاهره آذری azari.azadeh3420@gmail.com 10031947532846006269 10031947532846006269 No 1University of Kharazmi دانشگاه خوارزمی Sakineh Dadashi سکینه داداشی dadashi.s.2019@gmail.com 10031947532846006270 10031947532846006270 No University of Mazandara دانشگاه مازندران Fatemeh Kardel فاطمه کاردل f.kardel@umz.ac.ir 10031947532846006271 10031947532846006271 Yes University of Mazandara دانشگاه مازندران