عنوان	مدل‌سازی پارامترهای کیفیت آب زیرزمینی با استفاده از روش‌های یادگیری ماشین
نوع پژوهش	پایان نامه های تقاضا محور و غیر تقاضا محور
کلیدواژه‌ها	کیفیت آب زیرزمینی، روش‌های یادگیری ماشین، پیش‌بینی سری زمانی، پیش‌پردازش داده‌ها.
چکیده	تحقیق حاضر با هدف ارزیابی دقت روش‌های مختلف یادگیری ماشین در پیش‌بینی کیفیت آب زیرزمینی انجام شده است. در این راستا داده‌های تراز آب زیرزمینی و متغیرهای کیفیت آب زیرزمینی در محدوده‌ی مطالعاتی اراک مورد استفاده قرار گرفته است. داده‌های تراز آب زیرزمینی در 53 پیزومتر به صورت ماهانه طی سال‌های 1373 تا 1403، و داده‌های کیفیت آب زیرزمینی در 52 چاه با اندازه‌گیری دو بار در سال طی 21 سال از سال 1382 تا سال 1402 جمع‌آوری و پس از تکمیل داده‌های ناقص در این تحقیق استفاده شده است. در مرحله‌ی پیش‌پردازش داده‌ها، به منظور افزایش دقت پیش‌بینی، داده‌ها به چهار خوشه با استفاده از روش k-means، تقسیم‌بندی شدند. چهار پارامتر کیفیت آب زیرزمینی شامل سختی کل (TH)، کل مواد جامد محلول (TDS)، هدایت الکتریکی (EC) و نسبت جذب سدیم (SAR) به عنوان متغیرهای خروجی و 9 متغیر شامل تراز آب زیرزمینی، pH، کلسیم، سدیم، منیزیم، پتاسیم، بی‌کربنات، کلر و سولفات به عنوان متغیرهای ورودی به مدل‌ها در نظر گرفته شدند. 80 درصد داده‌ها برای مرحله‌ی آموزش مدل و 20 درصد داده‌ها برای مرحله‌ی آزمون مدل‌ها مورد استفاده قرار گرفتند. با استفاده از دو مدل شامل مدل پایه، شبکه عصبی مصنوعی پیش‌خور عمیق (DFFNN) و مدل پیشنهادی مدل DFFNN بهینه‌سازی سازی شده با الگوریتم بهینه‌سازی چندهدفه چندوجهی (MOMVO)، چهار متغیر کیفیت آب زیرزمینی برای دو گام زمانی آینده یک- ماهه و سه- ماهه پیش‌بینی شد. ارزیابی دقت مدل‌ها با استفاده از معیارهای ضریب تبیین (R2)، میانگین خطای اریبی (MBE)، خطای جذر میانگین مربعات (RMSE)، قدرمطلق میانگین درصد خطا (MAPE) انجام شده است. نتایج حاکی از دقت تقریبا یکسان دو مدل پایه و مدل بهینه‌شده در پیش‌بینی متغیرها برای گام زمانی 1- ماهه داشت به طوری‌که ضریب تشخیص از حدود 936/0 بالاتر و مقدار حداکثر MBE برابر 5/87 میلی‌گرم بر لیتر برای متغیر TDS بدست آمد. در حالی‌که مقدار MAPE مدل بهینه‌شده نسبت به مدل پایه برای متغیرهای TH، TDS، EC و SAR در پیش‌بینی متغیرها برای گام زمانی 3-ماهه، بطور میانگین در چهار خوشه به ترتیب برابر 12، 13، 12 و 8 درصد کاهش نشان داد. نتایج پایان‌نامه حاضر نشان داد که بهینه‌سازی مدل‌های یادگیری عمیق با استفاده از الگوریتم‌های بهینه‌سازی چندهدفه به خصوص برای پیش‌بینی متغیرهای کیفیت آب در افق‌های زمانی طولانی‌مدت، باعث افزایش چشمگیر دقت پیش‌بینی‌ها خواهد شد.
پژوهشگران	مه نوش مقدسی (استاد مشاور)، سجاد منصوری (دانشجو)، مهدی محمدی قلعه نی (استاد راهنما)، منصور مرادی (استاد مشاور)