fa یک رویکرد نوین جهت تعیین پارامترهای هیدرولیکی آبخوان‌هایی با تخلخل دوگانه مبتنی بر شبکه عصبی MLP هیدروژئولوژی (آب های زیرزمینی) Hydrogeology مقاله پژوهشی Original Research <div style="text-align: justify;"><span style="color:#000000;"><span style="font-size:14px;"><span style="font-family:yekanYW;"><span style="line-height:2;"><span style="direction:rtl"><span style="unicode-bidi:embed"><span cen="" mt="" tw=""><span lang="FA"><span b="" nazanin="">تعیین دقیق مقادیر پارامترهای هیدرولیکی، اولین گام برای توسعه پایدار آبخوان است. از زمان </span></span><span dir="LTR"><span new="" roman="" times="">Theis</span></span><span lang="FA"><span b="" nazanin=""> (1935)، روش انطباق منحنی تیپ (</span></span><span dir="LTR"><span new="" roman="" times="">TCMT</span></span><span lang="FA"><span b="" nazanin="">) با استفاده از داده های آزمون پمپاژ برای تخمین پارامترهای آبخوان استفاده می‌شود. این روش همراه با خطاهای گرافیکی است. در این تحقیق جهت حذف این خطا، یک شبکه عصبی مصنوعی (</span></span><span dir="LTR"><span new="" roman="" times="">ANN</span></span><span lang="FA"><span b="" nazanin="">) از نوع پرسپترون چندلایه </span></span><span dir="LTR"><span new="" roman="" times="">(MLP)</span></span><span lang="FA"><span b="" nazanin=""> با مدل‌سازی تابع چاه </span></span><span dir="LTR"><span new="" roman="" times="">Bourdet-Gringaten</span></span><span b="" nazanin=""> جهت تعیین پارامترهای آبخوان هایی با تخلخل دوگانه طراحی شده است. مدل شبکه عصبی </span><span dir="LTR"><span new="" roman="" times="">MLP</span></span><span b="" nazanin=""> در یک پروتکل چهار مرحله‌ای با روش پس انتشار خطا و الگوریتم بهینه‌سازی لونبرگ-مارکوارت</span><span dir="LTR"><span new="" roman="" times="">(LM) </span></span><span lang="FA"><span b="" nazanin="">&nbsp;آموزش داده شده است. با اعمال روش تحلیل مؤلفه های اصلی </span></span><span dir="LTR"><span new="" roman="" times="">(PCA)</span></span><span b="" nazanin=""> بر روی داده های ورودی آموزش و از طریق روش آزمون و خطا، ساختار بهینه شبکه با توپولوژی [3&times;6&times;3] ثابت گردید. اعتبار شبکه توسعه‌یافته با داده‌های میدانی مصنوعی و واقعی ارزیابی شد. این مدل، داده های آزمون پمپاژ را دریافت می کند و مقادیر پارامترهای آبخوان را در اختیار کاربر قرار می دهد. مدل طراحی شده، یک روش خودکار و سریع برای تعیین پارامترهای آبخوان هایی با تخلخل دوگانه را فراهم می‌کند و خطاهای گرافیکی ذاتی </span><span dir="LTR"><span new="" roman="" times="">TCMT</span></span><span lang="FA"><span b="" nazanin=""> معمولی را حذف می‌کند. </span></span></span></span></span><br> &nbsp;</span></span></span></span></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;">Accurately determining hydraulic parameter values is the first step in sustainably developing an aquifer. Since Theis (1935) introduced the type curve matching technique (TCMT), it has been used to estimate aquifer parameters from pumping test data. However, the TCMT is subject to graphical error. To eliminate this error, a multi-layer perceptron (MLP) artificial neural network (ANN) was developed as an alternative to the conventional TCMT. This MLP ANN models the Bourdet-Gringaten well function to determine fractured double porosity aquifer parameters. The MLP model was developed using a four-step protocol and trained using the backpropagation method and the Levenberg-Marquardt optimization algorithm for the well function of double-porosity aquifers. Through a trial-and-error procedure and by applying principal component analysis (PCA) to the training input data, the optimal network structure with the topology [3&times;6&times;3] is determined. We evaluated the validity of the developed network with synthetic and real field data. The network receives pumping test data and provides the user with aquifer parameter values. This network provides an automatic, fast procedure for determining double-porosity aquifer parameters, eliminating the graphical errors inherent in the conventional TCMT.</span></span></span></span></div> پارامترهای آبخوان, تخلخل دوگانه, تابع چاه, پرسپترون چندلایه, آنالیز مولفه اصلی. Aquifer parameters, Double porosity, Well function, Multi Layaer Perceptron (MLP), Principal Component Analysis (PCA). 136 158 http://jeg.khu.ac.ir/browse.php?a_code=A-10-950-1&slc_lang=fa&sid=1 Tahereh Azari طاهره آذری t.azari@khu.ac.ir 10031947532846007030 10031947532846007030 Yes Kharazmi university دانشگاه خوارزمی