(Ca+2), magnesium (Mg+2), bicarbona

(Ca+2), magnesium (Mg+2), bicarbonate (HCO3
), and sulfate
(SO4
2). Moreover, toxic ions such as boron (B), bromide (Br)
and iron (Fe) could be accumulated at higher levels
(Groundwater information sheet-salinity, 2010). During irrigation
work salinity, occurs due to the rise in saline groundwater
and the build-up of salt in the soil surface of irrigated landscapes
(Podmore, 2009). As a result of ‘‘irrigation salinity’’,
salts may reach levels that adversely affect plants and crop production
and may result in harmful effects at high concentrations
of toxic ions such as chloride ions. Excess of sodium
ion concentrations in leaves can cause leaf burn, necrotic
(dead) patches and even defoliation. Similarly, plants affected
by chloride toxicity exhibit similar foliar symptoms, such as
leaf bronzing and necrotic spots in some species (Podmore,
2009). Salinity of water may be estimated from a frequent measurement
of total dissolved solids (TDS). The TDS is a measure
of the total dissolved salts/substances in water,
including organic and suspended particles that can pass
through a very small filter (Podmore, 2009).
Recently, mathematical, statistical and computational
methods to simulate and assess many aquifer water quality
parameters have been investigated (Seyyed et al., 2013).
Groundwater modeling has become a principal branch of
many projects and studies dealing with groundwater development,
protection and remediation. Moreover, modeling is a
promising tool for predicting groundwater behavior based on
hydrological variables (Maedeh et al., 2013). According to
the modeling techniques, artificial neural network (ANN) has
been established to quantify the general meaningful solutions
to problems even when the input data contain errors or are
uncertainty (Seyyed et al., 2013). ANN refers to computing
systems whose basic theme is inspired from biological neuron
processing, known as the human brain. The brain consists of
large number of neurons, interconnected with each other by
synapses, known as neural networks (Nasr et al., 2012). Each
node receives and processes weighted input from a preceding
layer and propagates its output to nodes in the subsequent
neighbor through links. Previously, ANN has been used in
many groundwater quality modeling. Sandhu and Finch,
1996 found that the ANN provided a fast and reasonably
accurate method of modeling the relationship between flows
and water quality. Moreover, this relationship was further
used to estimate the Sacramento River flow required to meet
a salinity standard. Moreover, Rogers and Dowla, 1994
presented a new approach to nonlinear groundwater management
methodology aimed at optimizing aquifer remediation in
line with the application of ANN. Similarly, Morshed and
Kaluarachchi, 1998 stated that ANN optimization methods
can be used to perform inverse groundwater modeling for
parameter estimation.
The objective of the present study is to build a model of
ANN for studying the relation between groundwater alkalinity
(i.e. in terms of pH) and salinity (i.e. expressed by TDS).
After that, the developed ANN model would be applied in
many practical and theoretical applications as well decision
making.
2. Materials and methods
2.1. Groundwater sampling and analyses
Groundwater samples were collected from a 36 m depth well
located in the experimental farm of the City of Scientific
Researches and Technological Applications (SRTA), New
Borg El-Arab City, Alexandria, Egypt. The samples were harvested
in summer, autumn, and winter, 2013. This period was
satisfactory as it covers all probable seasonal variations in the
studied variables. The gathered samples were preserved, transported
and analyzed according to Standard Methods for
Examination of Water and Waste Water (Eaton et al., 2005).
Analyses were included pH and TDS parameters.
2.2. Artificial neural network theory
Artificial neural networks are generally presented as systems of
interconnected nodes which can compute values from inputs.
Simple artificial nodes are class of statistical models could be
called ‘‘Neural’’ if they possess the following characteristics:
consist of sets of adaptive weights, i.e. numerical parameters
that are tuned by a learning algorithm, and are capable of
approximating non-linear functions of their inputs. The
adaptive weights are conceptually connection strengths between
neurons, which are activated during training and prediction
(Hinton et al., 2006). The network structure is composed of a
set of neurons connected by links and organized in number of
layers. Each layer is fully interconnected to the preceding layer
by weights (Nasr et al., 2012). Initial suggested weights are
progressively adjusted during the training process by comparing
predicted outputs with measured data (targets).

ผลลัพธ์ (ไทย) 1:

(Ca + 2), แมกนีเซียม (Mg + 2), ไบคาร์บอเนต (HCO3), และซัลเฟต(SO42) นอกจากนี้ พิษอ่อน ๆ เช่นโบรอน (B), โบรไมด์ (Br)และสามารถสะสมเหล็ก (Fe) ในระดับที่สูงขึ้น(น้ำบาดาลข้อมูลแผ่นเค็ม 2010) ในระหว่างการชลประทานทำเค็ม การเกิดขึ้นเนื่องจากการเพิ่มขึ้นในน้ำบาดาล salineและเกลือในพื้นผิวดินของทัศนียภาพยามเกิด(Podmore, 2009) จาก ''ชลประทานเค็ม '',เกลืออาจถึงระดับที่ส่งผลต่อพืชพืช และผลิตและอาจทำให้เกิดอันตรายที่ความเข้มข้นสูงของประจุเป็นพิษเช่นประจุคลอไรด์ ส่วนที่เกินของโซเดียมความเข้มข้นของไอออนในใบทำให้ใบเขียน necroticปรับปรุง (ตาย) และแม้ defoliation ในทำนองเดียวกัน พืชที่ได้รับผลกระทบโดยความเป็นพิษของคลอไรด์แสดงอาการ foliar คล้ายกัน เช่นใบไม้จุด bronzing และ necrotic บางชนิด (Podmore2009) ได้เค็มของน้ำอาจจะประมาณจากวัดบ่อยรวมส่วนยุบของแข็ง (TDS) TDS เป็นการวัดของยอดรวมส่วนยุบเกลือ/สารน้ำรวมถึงอนุภาคอินทรีย์ และระงับที่สามารถผ่านมีขนาดเล็กมากผ่านตัวกรอง (Podmore, 2009)ล่าสุด คณิตศาสตร์ สถิติ และคอมพิวเตอร์วิธี การจำลอง aquifer หลายประเมินคุณภาพน้ำพารามิเตอร์ได้สอบสวน (Seyyed et al., 2013)สร้างแบบจำลองน้ำใต้ดินได้กลายเป็น สาขาหลักของหลายโครงการและการศึกษากับการพัฒนาน้ำบาดาลป้องกันและแก้ไขข้อผิดพลาด นอกจากนี้ โมเดลเป็นการเครื่องมือสัญญาลักษณะทรุดตามคาดการณ์อุทกวิทยาตัวแปร (Maedeh et al., 2013) ตามที่เทคนิคการสร้างแบบจำลอง โครงข่ายประสาทเทียม (แอน) ได้การสร้างวัดปริมาณแก้ปัญหามีความหมายทั่วไปแม้ว่าข้อมูลป้อนเข้าประกอบด้วยข้อผิดพลาด หรือมีปัญหาความไม่แน่นอน (Seyyed et al., 2013) แอนถึงคอมพิวเตอร์ชุดรูปแบบพื้นฐานเป็นแรงบันดาลใจจากเซลล์ประสาทชีวภาพระบบประมวลผล เรียกว่าสมองมนุษย์ สมองประกอบด้วยจำนวนมากของ neurons เข้าใจกันด้วยsynapses เป็นเครือข่ายประสาท (ไคโร et al., 2012) แต่ละโหนรับ และประมวลผลการป้อนข้อมูลน้ำหนักจากตัวก่อนหน้าชั้น และแพร่กระจายของผลผลิตการโหนดในซึ่งต่อมาเพื่อนบ้านผ่านการเชื่อมโยง ก่อนหน้านี้ แอนน์ได้ถูกใช้ในโมเดลคุณภาพน้ำบาดาลจำนวนมาก Sandhu และเรซิเดนซี่ปี 1996 พบว่า แอนน์จะให้รวดเร็ว และประหยัดวิธีที่ถูกต้องของโมเดลความสัมพันธ์ระหว่างกระแสและคุณภาพน้ำ นอกจากนี้ ความสัมพันธ์นี้ถูกเพิ่มเติมใช้ในการประเมินกระแสริเวอร์พาร์กเวย์ที่ต้องตอบสนองเค็มมาตรฐาน นอกจากนี้ โรเจอร์สและ Dowla, 1994นำเสนอวิธีการแบบใหม่เพื่อการบริหารจัดการน้ำบาดาลไม่เชิงเส้นวิธีการที่มุ่งเพิ่มประสิทธิภาพ aquifer ผู้เชี่ยวชาญในบรรทัด ด้วยแอน ในทำนองเดียวกัน Morshed และKaluarachchi, 1998 ระบุราคาที่แอนปรับวิธีสามารถใช้ทำน้ำผกผันสำหรับการสร้างโมเดลการประมาณพารามิเตอร์วัตถุประสงค์ของการศึกษาปัจจุบันคือการ สร้างแบบจำลองของแอนสำหรับการศึกษาความสัมพันธ์ระหว่างสภาพด่างของน้ำบาดาล(เช่นในแง่ของค่า pH) และเค็ม (เช่นแสดง โดย TDS)หลังจากนั้น รูปแอนพัฒนาจะนำไปใช้ในตัดสินใจเช่นโปรแกรมประยุกต์ในทางปฏิบัติ และทฤษฎีมากมายทำให้2. วัสดุและวิธีการ2.1. น้ำบาดาลสุ่มตัวอย่างและวิเคราะห์ตัวอย่างน้ำบาดาลถูกรวบรวมจากความลึก 36 เมตรดีตั้งอยู่ในฟาร์มทดลองของเมืองวิทยาศาสตร์งานวิจัยและเทคโนโลยีประยุกต์ (SRTA), ใหม่เมืองเอลอาหรับ Borg ซานเดรีย อียิปต์ ตัวอย่างได้เก็บเกี่ยวในช่วงฤดูร้อน ฤดูใบไม้ร่วง และ ฤดูหนาว 2013 รอบระยะเวลานี้ได้พอเป็นจะครอบคลุมการเปลี่ยนแปลงตามฤดูกาลน่าเป็นทั้งหมดในการศึกษาตัวแปร ตัวอย่างรวบรวมได้รักษา ขนส่งและวิเคราะห์ตามวิธีการมาตรฐานสำหรับตรวจสอบน้ำและน้ำเสีย (เอตัน et al., 2005)วิเคราะห์มีค่า pH รวมและพารามิเตอร์ TDS2.2 การทฤษฎีเครือข่ายประสาทประดิษฐ์เครือข่ายประสาทเทียมโดยทั่วไปจะแสดงเป็นระบบของโหนที่เชื่อมต่อกันซึ่งสามารถคำนวณค่าจากอินพุตโหนดประดิษฐ์อย่างมีคลาสของแบบจำลองทางสถิติอาจจะเรียกว่า '' Neural'' ถ้าพวกเขามีลักษณะต่อไปนี้:ประกอบด้วยชุดปรับน้ำหนัก พารามิเตอร์ที่เป็นตัวเลขเช่นที่ปรับ โดยอัลกอริทึมการเรียนรู้ และสามารถระหว่างฟังก์ชันไม่เชิงเส้นของปัจจัยการผลิตของพวกเขา ที่น้ำหนักที่เหมาะสมมีจุดแข็งจุดเชื่อมต่อระหว่างทางแนวคิดneurons ซึ่งจะทำงานในระหว่างการฝึกอบรมและการทำนาย(Hinton et al., 2006) ประกอบด้วยโครงสร้างเครือข่ายการชุดของ neurons โดยเชื่อมโยงการเชื่อมต่อ และจัดระเบียบในจำนวนชั้น แต่ละชั้นจะเชื่อมต่อกันเต็มชั้นก่อนหน้านี้โดยน้ำหนัก (ไคโร et al., 2012) มีน้ำหนักเริ่มต้นแนะนำความก้าวหน้าการปรับปรุงในระหว่างการฝึกอบรม โดยการเปรียบเทียบแสดงผลคาดการณ์ข้อมูลวัด (เป้าหมาย)

ผลลัพธ์ (ไทย) 3:

( CA ) , แมกนีเซียม ( Mg ) และโซเดียมไบคาร์บอเนต ( hco3
 ) และซัลเฟต ( ปา

 2 ) นอกจากนี้ ไอออนที่เป็นพิษ เช่น โบรอน ( B ) , โบรไมด์ ( BR  )
และเหล็ก ( Fe ) อาจจะสะสมในระดับที่สูงขึ้น
( ความเค็ม , แผ่นข้อมูลน้ำบาดาล 2010 ) งานชลประทานในช่วงความเค็ม
เกิดขึ้นเนื่องจากการเพิ่มขึ้นใน
น้ำใต้ดินเค็มและสะสมของเกลือในดินพื้นผิวของภูมิประเทศ
ชลประทาน ( podmore , 2009 )ผลของความเค็ม 'irrigation ' '
เกลืออาจถึงระดับที่ส่งผลกระทบกับพืชและ
การผลิตพืชและอาจส่งผลในผลกระทบที่เป็นอันตรายที่ความเข้มข้นสูง
ของไอออนที่เป็นพิษเช่นไอออน ส่วนความเข้มข้นของโซเดียมไอออนในใบสามารถเกิด

( เผาใบไม้ที่ตายแล้ว ) แพทช์และแม้กระทั่งการตัด . พืชที่ได้รับผลกระทบ
ในทํานองเดียวกันโดย : พิษคล้ายใบแสดงอาการ เช่น อาการใบจุดและ bronzing
ในบางชนิด ( podmore
, 2009 ) ความเค็มของน้ำอาจถูกประเมินจาก
วัดบ่อยของของแข็งทั้งหมด ( TDS ) TDS เป็นการวัด
จากทั้งหมดละลาย เกลือ / สารในน้ำ
รวมทั้งอินทรีย์และอนุภาคแขวนลอยที่สามารถส่งผ่านตัวกรองที่มีขนาดเล็กมาก (

podmore , 2009 )เมื่อเร็วๆ นี้ ทางคณิตศาสตร์ สถิติ และคอมพิวเตอร์
วิธีการจำลองและประเมินคุณภาพน้ำพารามิเตอร์หลายชั้น
ได้ทำการศึกษา ( seyyed et al . , 2013 ) .
แบบจำลองน้ำบาดาลได้เป็นสาขาหลักของ
หลายโครงการและการศึกษาที่เกี่ยวข้องกับการพัฒนาน้ำบาดาล ,
การป้องกันและการฟื้นฟู นอกจากนี้การจำลองเป็นเครื่องมือที่มีศักยภาพน้ำบาดาล
ทำนายพฤติกรรมตาม
ตัวแปรทางอุทกวิทยา ( maedeh et al . , 2013 ) ตาม
ใช้เทคนิคโครงข่ายประสาทเทียม ( ANN ) ได้ถูกก่อตั้งขึ้นเพื่อหาโซลูชั่น

ความหมายทั่วไปปัญหาเมื่อมีข้อผิดพลาดหรือข้อมูลที่ป้อนเข้าจะ
ความไม่แน่นอน ( seyyed et al . , 2013 ) แอนหมายถึงระบบคอมพิวเตอร์
ที่มีพื้นฐานรูปแบบเป็นแรงบันดาลใจจากการประมวลผลเซลล์ประสาท
แท้ๆ เรียกว่า สมองของมนุษย์สมองประกอบด้วยเซลล์ประสาท
จำนวนมากเชื่อมต่อกันกับแต่ละอื่น ๆโดย
เส้นประสาท ที่รู้จักกันเป็นโครงข่ายประสาทเทียม ( Nasr et al . , 2012 ) แต่ละโหนดได้รับและกระบวนการป้อนข้อมูลน้ำหนัก

ชั้นและแพร่กระจายจากก่อนหน้านี้ส่งออกไปยังโหนดในเพื่อนบ้านตามมา
ผ่านการเชื่อมโยง ก่อนหน้านี้ แอน ได้ถูกใช้ใน
แบบคุณภาพน้ำใต้ดินมาก แซนดู
และ ฟินช์ปี 1996 พบว่าแอนให้รวดเร็วและวิธีที่ถูกต้องของการสมเหตุสมผล

ความสัมพันธ์ระหว่างกระแสและคุณภาพน้ำ นอกจากนี้ ความสัมพันธ์นี้ต่อไป
เคยประมาณการแม่น้ำไหลต้องเจอ
เป็นค่ามาตรฐาน นอกจากนี้ โรเจอร์ และ dowla 2537
นำเสนอวิธีการใหม่ในการบริหารจัดการน้ำบาดาล
ไม่เชิงเส้นวิธีการมุ่งเพิ่มประสิทธิภาพน้ำการฟื้นฟูใน
เส้นด้วยโปรแกรมแอน ในทํานองเดียวกัน morshed และ
kaluarachchi 1998 ระบุว่า แอน วิธีการเพิ่มประสิทธิภาพ
สามารถใช้แสดงแบบจำลองน้ำใต้ดินผกผันสำหรับประมาณค่าพารามิเตอร์
.
วัตถุประสงค์ของการศึกษาคือการสร้างรูปแบบของการศึกษาความสัมพันธ์ระหว่าง
Ann
เครื่องวัดน้ำใต้ดิน ( เช่นในแง่ของ pH ) และความเค็ม ( เช่นแสดงโดย TDS ) .
หลังจากนั้น แอนจะใช้ในการพัฒนารูปแบบหลายทางปฏิบัติและการประยุกต์ใช้ทฤษฎี

เช่นกันการตัดสินใจทำ .
2 วัสดุและวิธีการ
2.1 . การสุ่มตัวอย่างและวิเคราะห์ตัวอย่างน้ำใต้ดินน้ำบาดาล
เก็บจาก 36 ม. ลึกดี
ตั้งอยู่ในฟาร์มทดลองของเมืองวิทยาศาสตร์
การวิจัยและการประยุกต์ใช้เทคโนโลยี ( srta
Borg El Arab ) ใหม่ เมืองอเล็กซานเดรีย ประเทศอียิปต์ จำนวนเก็บเกี่ยว
ในฤดูร้อน ฤดูใบไม้ร่วง และฤดูหนาว 2013 ช่วงเวลานี้คือ
น่าพอใจเป็นครอบคลุมการเปลี่ยนแปลงตามฤดูกาลน่าจะเป็นทั้งหมดใน
ศึกษาตัวแปร ที่รวบรวมตัวอย่างดอง ขนส่ง
และวิเคราะห์ตามวิธีมาตรฐานสำหรับ
การวิเคราะห์น้ำและน้ำเสีย ( Eaton et al . , 2005 ) .
วิเคราะห์คือ pH และค่า TDS .
2.2 . ทฤษฎีโครงข่ายประสาทเทียม
โครงข่ายประสาทเทียมโดยทั่วไปจะนำเสนอเป็นระบบเชื่อมโยงโหนดที่สามารถคำนวณค่า

จากอินพุตโหนดเทียมง่ายเป็นชั้นของแบบจำลองทางสถิติสามารถ
เรียกว่า ' 'neural ' ' ถ้าพวกเขามีคุณลักษณะต่อไปนี้ :
ประกอบด้วยชุดของน้ำหนักตัว เช่น การคำนวณค่า
ที่ปรับโดยอัลกอริทึมการเรียนรู้และความสามารถของฟังก์ชันไม่เชิงเส้น
ประเภทของปัจจัยการผลิตของ
ปรับน้ำหนักเป็นแนวคิดการเชื่อมต่อจุดแข็งระหว่าง
เซลล์ประสาทซึ่งจะเปิดใช้งานระหว่างการฝึกและการทำนาย
( เด็ก et al . , 2006 )โครงสร้างเครือข่ายที่ประกอบด้วยชุดของเซลล์ประสาทเชื่อมต่อโดยการเชื่อมโยง

และจัดจำนวนชั้น เชื่อมโยงไปยังแต่ละชั้นอย่างก่อนหน้านี้ชั้น
โดยน้ำหนัก ( Nasr et al . , 2012 ) เบื้องต้นแนะนำเป็นผู้ปรับน้ำหนัก
ในระหว่างกระบวนการฝึกอบรม โดยการเปรียบเทียบกับข้อมูลการวัด
ทำนายผล ( เป้าหมาย )