مدل‌سازی جریان آب زیرزمینی، به‌عنوان یکی از مهم‌ترین ابزارهای مدیریت منابع آب، همواره با چالش‌هایی چون پیچیدگی‌های فیزیکی محیط‌های متخلخل، کمبود داده‌های مشاهده‌ای و هزینه‌های بالای مدل‌سازی عددی مواجه بوده است. در این پژوهش، به‌منظور بررسی راهکارهای نوین در این حوزه، عملکرد دو رویکرد یادگیری ماشین شامل شبکه عصبی پرسپترون چندلایه (MLP) و شبکه عصبی فیزیک‌آگاه (PINN) در شبیه‌سازی یک‌بعدی جریان آب زیرزمینی مقایسه شد. داده‌های آموزشی از حل عددی معادله جریان به روش تفاضل محدود استخراج گردید و برای آموزش هر دو مدل به‌کار رفت. نتایج حاصل از سه نقطه کلیدی آبخوان (در فواصل ۱۴۰، ۳۵۰ و ۵۶۰ متری از ابتدای آبخوان) نشان داد که مدل PINN در تمامی شاخص‌های ارزیابی عملکرد بهتری داشته است. به‌عنوان نمونه، در فاصله ۱۴۰ متری از ابتدای آبخوان، ضریب تعیین برای PINN برابر با 9964/0 و برای MLP، 7490/0 می‌باشد، همچنین، مقدار MAE به‌ترتیب برابر با 0175/0 و 1434/0 به‌دست آمد. در فاصله ۵۶۰ متری نیز که سیستم به حالت تعادل نزدیک می‌شود، مدل PINN توانست با MAE برابر 0058/0 و R² معادل 9942/0 عملکرد خود را حفظ کند، در حالی‌که مدل MLP دچار افت دقت شده و مقادیر متناظر آن به‌ترتیب برابر با 0488/0 و 6779/0 می‌باشد. این یافته‌ها نشان می‌دهد که مدل PINN، به‌دلیل ادغام دانش فیزیکی با ساختار یادگیری، توانایی بالاتری در بازسازی دقیق و پایدار رفتار جریان آب زیرزمینی دارد، به‌ویژه در شرایطی که داده‌ها ناقص یا دارای نوسانات بالا هستند. بنابراین، استفاده از شبکه‌های عصبی فیزیک‌آگاه می‌تواند گامی موثر در جهت ارتقای دقت مدل‌سازی هیدروژئولوژیکی و مدیریت پایدار منابع آب باشد.

کلمات کلیدی