Neural network‐based screening for groundwater reclamation under uncertainty

Abstract

Uncertainty due to spatial variability of hydraulic conductivity is an important issue in the design of reliable groundwater remediation strategies. Using groundwater management models based on a stochastic approach to groundwater flow, where the log‐hydraulic conductivity is represented as a random field, is a frequently studied technique for the design of aquifer remediation in the presence of uncertainty. Such an approach employs the solution of a management model for a large set of equally probable realizations of the hydraulic conductivity. However, only a few out of the large set of realizations are critical to the final outcome of the design. The spatial distribution of the hydraulic conductivity values in a realization, and the degree of variation of the hydraulic conductivity values within a realization are identified as two important features that determine the level of criticalness of a realization. The association between the hydraulic conductivity pattern and the level of criticalness is not known explicitly and needs to be captured for efficient screening. The screening approach presented here utilizes the pattern classification capability of a neural network and its ability to learn from examples. It is shown that incorporation of only a few critical realizations in a groundwater management model can yield highly reliable remediation designs. The application of the screening tool in a pump‐and‐treat design problem is illustrated via two examples.

An explicit neural network formulation for evapotranspiration

“…The extensive use of ANNs in hydrology includes: rainfall-runoff models (Minns & Hall, 1996;Tokar & Johnson, 1999); streamflow forecasting (Cigizoglu, 2003); groundwater reclamation (Ranjithan et al, 1993); flood estimation (Hall & Minns, 1998;Dawson et al, 2006); and drought analysis (Shin & Salas, 2000). It was observed that only a few studies existed in the literature related to the use of ANNs in modelling ET 0 .…”

Técnicas de predicción a corto plazo de la demanda de agua. Aplicación al uso agrícola

“…Asimismo, no precisan de una ecuación para la relación empí-rica entre los datos como así ocurre en otras técni-cas estadísticas paramétricas tales como la regresión no lineal o el filtro de Kalman. Por otro lado, se caracterizan por identificar la información relevante sobre una ingente cantidad de datos, discriminando la que es inconsistente, ambigua o incompleta.Desde principios de la década de los 90, los modelos de RNCs se han aplicado en muchos campos de las ciencias y de la ingeniería, obteniéndose resultados bastante satisfactorios (French et al, 1992;Ranjithan et al, 1993;Rizzo y Dougherty, 1994;Álvarez y Bolado, 1996). Hsu et al (1995) desarrollaron RNCs para modelar la relación entre la lluvia y la escorrentía de una cuenca, consiguiendo mejores resultados que con los modelos lineales de series temporales ARMAX y que con el modelo físico conceptual SAC-SMA.…”

“…Asimismo, el modelo ARIMA(1,1,2) no presenta este desplazamiento (ya que incluye en su formulación los errores de la predicción), pero la estimación de los valores extremos máximos y mínimos se aleja de los valores observados, como también les ocurre a Hsu et al (1995) en la simulación de la escorrentía. Estos resultados sugieren que cuando las curvas de demanda sean más uniformes (es decir, no presenten continuas y bruscas variaciones de las demandas de dos días consecutivos) las estimaciones de los tres métodos serán similares, y consecuentemente, se debería utilizar la regresión múltiple al ser el análisis más simple e intuitivo.El número de épocas empleado durante el entrenamiento de las RNCs ha sido sensiblemente inferior a los obtenidos por otros autores (Ranjithan et al, 1993;Rizzo y Dougherty, 1994;Álvarez y Bolado, 1996). Estas diferencias pueden deberse a que se estimen diferentes parámetros, y a que en este trabajo se ha utilizado una variante del modelo de retropropagación estándar (EDBD) como algoritmo de aprendizaje, que aumenta el ritmo de aprendizaje efectivo en determinadas direcciones.…”

Estimation of Groundwater Level Using Artificial Neural Networks: a Case Study of Hatay-Turkey

“…Campolo et al (1999) used ANN for river flow estimation during heavy precipitation and low flow processes. Coppola et al (2003) investigated groundwater level fluctuations under different weather conditions using artificial neural networks in unsteady aquifer state and ANN was also used in different groundwater problems (Ranjithan et al 1993;Rogers, Dowla 1994). Raman and Sunil (1995) examined the utility of ANN in the derivation of synthetic reservoir flow series.…”