واسنجی مدل آب زیرزمینی با برنامه نویسی و یادگیری ماشین

۱۳ آذر ۹۹ ، ۱۹:۲۰ نويسنده: بهزاد سرهادی

یادگیری ماشین در آبهای زیرزمینی و مدل کالیبراسیون با MODFLOW ،Flopy ،PySal و Scikit Learn موضوع این پست است. کیفیت کار مدل سازی آب های زیرزمینی به سه عامل متکی است: توزیع مکانی-زمانی داده های مشاهده شده، ساخت و کالیبراسیون مدل و نتیجه گیری های حاصل از شبیه سازی های پیش بینی شده. بر اساس پیچیدگی های ابزارهای عددی، مقدار پارامترهای درگیر، کالیبراسیون آب های زیرزمینی می تواند یک چالش جدی برای مبتدیان، طراحان متوسط یا پیشرفته با بسیاری از موفقیت ها و شکست ها باشد. نتیجه گیری اغلب با استرس روانی همراه است.

پیشرفت در الگوریتم های یادگیری ماشین باید با ابزارهای عددی مدل سازی آب های زیرزمینی همراه باشد تا قابلیت مدل ساز را درک کند تا عملکرد کلی مدل، همبستگی بین مشاهده شده و محاسبه شده و بهترین مجموعه پارامترها را نشان دهد که شرایط مشاهده شده جریان آب زیرزمینی و کیفیت را نشان می دهد.

در مورد یک مدل با سطح پایین پیچیدگی با رودخانه ها، دریاچه ها، شارژ مجدد و جریان آب زیرزمینی منطقه ای که در Model Muse انجام شده است. این مدل به عنوان یک شی object در پایتون با Flopy وارد شده است. تجزیه و تحلیل حساسیت با SALIB برای ارزیابی پاسخ برای مدل شی جریان آب های زیرزمینی به نمونه های مختلف از پارامترها و مجموعه ای حاصل از پارامترها و مربوط سطح آب ثبت شده اند. سپس یک رگرسیون یادگیری ماشین با Scikit-Learn با مجموعه معکوس (سطح آب در مقابل پارامترها) انجام شده است تا پارامترهای پیش بینی شده برای داده های مشاهده شده بدست آید. برای ارزیابی کیفیت کلی رگرسیون شبکه عصبی، اندازه گیری های مختلف خطا برای دو مورد انجام شد.

هشدار: استفاده از الگوریتم های یادگیری ماشین برای کالیبراسیون مدل یا هر ابزار عددی دیگر جایگزین معیارهای مدل ساز آبهای زیرزمینی نیست. یادگیری ماشینی فقط ابزار است و مانند هر ابزاری انسانی باید به روشی مناسب و تحت کنترل هوش ما استفاده شود. به یاد داشته باشید که اگر از رایانه ها به عنوان "جعبه سیاه" برای کالیبراسیون مدل استفاده کنیم، کیفیت نتایج و کل کار مدل سازی را به خطر می اندازیم.