مقاله آنالیزحساسیت پارامترهای موثردر برآورد تبخیر با استفاده از شبکه های عصبی مصنوعی

word قابل ویرایش
14 صفحه
دسته : اطلاعیه ها
12700 تومان
127,000 ریال – خرید و دانلود

*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***

آنالیزحساسیت پارامترهای موثردر برآورد تبخیر با استفاده از شبکه های عصبی مصنوعی
چکیده
در این تحقیق ، حساسیت مقدار تبخیر روزانه در شهرهای تبریز و ارومیه ، نسبت به عوامل موثر در آن بدست آمده است .از جمله عوامل موثر بر میزان تبخیر از سطوح آزاد آبها عبارتند از:تشعشع خورشیدی ، دمای هوا، رطوبت نسبی ، سرعت باد، فشار ستون هوا و تبخیرتشتک .در این مطالعه ،پس از آموزش و آزمایش شبکه های عصبی برای هر دو منطقه ، برای تعیین حساسیت پاسخ مدل (تبخیر روزانه ) به مقادیر ورودی های شبکه ، آنالیز حساسیتی با استفاده از وزنهای اتصالی شبکه و تعریف مقادیر مشتقات جزئی خروجی روی ورودی بر شبکه ها اعمال شده است .در این راستا رابطه کلی حساسیت خروجی نسبت به ورودی مبتنی بر شبکه عصبی چند لایه پرسپترون به دست آمده است . در ادامه با تحلیل آماری مقادیر حساسیت ها، روندها و قوانین حاکم بر محیط مورد بحث از نظر بزرگی وجهت اثر هر متغیر ورودی بر خروجی استخراج شده است .
کلمات کلیدی :آنالیزحساسیت ، شبکه های عصبی ، تبخیر روزانه ، تبریز، ارومیه .

۱-مقدمه
عمده ترین معیار برای تعیین درجه خشکی در یک منطقه ، رابطه بین مقدار بارندگی سالانه و توان تبخیر محیط است . هر اندازه مقدار باران نسبت به تبخیر کمتر باشد، درجه خشکی آن منطقه بیشتر است . بجز در نواحی محدودی در ایران (حاشیه دریای خزر) در سایر مناطق توان تبخیر بمراتب بالاتر از میزان بارندگی است . حدود ۷۲% نزولات جوی روی خشکیها در ایران بلافاصله تبخیر می شود. در مقیاس جهانی این رقم ۵۷% است که این اهمیت تبخیروتعرق را خصوصاً در مناطق با اقلیم خشک ونیمه خشک مشخص میکند[۱].در طبقه بندی اقلیمی ایران ، شهرهای تبریز و ارومیه جزو مناطق نیمه خشک محسوب می شوند. بدین جهت پیش بینی و تعیین مهم ترین عوامل موثر در میزان شدت تبخیر در این مناطق اهمیت میابد.
استفاده ازشبکه های عصبی به عنوان ابزاری قوی دریادگیری رابطه ناشناخته وپیچیده بین یک فضای ورودی به فضای خروجی در حال توسعه در زمینه های مختلف علمی است ، امابرخلاف مدل های ریاضی اینگونه مدل های جعبه سیاه بخودی خوداثر پارامترهای ورودی به خروجی و چگونگی بدست آمدن خروجی را توضیح نمی دهند، به همین دلیل ازآنجایی که اعتبارروش های هوش مصنوعی کاملاًبستگی به توضیح نتیجه بدست آمده از آنها دارد، مطالعات متعددی برروی توضیح رابطه حاکم برمحیط یک شبکه عصبی وهمچنین چگونگی اثرپارامترهای ورودی بر خروجی انجام شده است [۲].لووهمکاران (۲۰۰۱)مروری براین روشهاکرده اند.ازجمله این روشها می توان ازاستخراج روابط حاکم برهرکدام ازنرونهای میانی وخروجی باتوجه به وزنهاوتوابع فعالیت هرکدام ازآنها[۳]،استفاده از آنالیز PCA استفاده ازوزنهای لایه میانی متصل به هرورودی [۵] وهمچنین استفاده ازترکیب منطق فازی با شبکه های عصبی برای توضیح قوانین حاکم بر شبکه آموزش دیده [۶] نام برد.لووهمکاران بابررسی این روشهابه این نتیجه رسیدندکه اثرهرپارامترورودی برروی متغیرهای خروجی ازنظرمقداروجهت درکل فضای ورودی قابل تعیین نیست . ازاینروآنهاباروشی مبتنی برآنالیزآماری ٢مشتق خروجی شبکه نسبت به ورودی (حساسیت خروجی به ورودی )،آنالیزحساسیتی ٣برروی مسأله بهره وری درتولیدلوله های انتقال انجام دادندوبیان کردندکه مطالعه بر روی روابط درون شبکه های عصبی به استفاده کننده ازآن اطمینان بیشتری به قدرت پیش بینی شبکه می دهدو همچنین استفاده ازاین مدلهارادرکارهای عملی ومهندسی تسهیل می کند [۲].پارامترهای زیادی در برآورد میزان تبخیر دخالت می کنند که با توجه به متفاوت بودن شدت تاثیر آنها از اقلیمی به اقلیم دیگر و یا حساس تر بودن فرآیند تبخیر به پاره ای از عوامل یاد شده در یک ناحیه ،آنالیز حساسیت روی مدل شبکه عصبی این فرایندبایستی اعمال شود.در علوم مختلف مطالعاتی در زمینه آنالیز حساسیت شبکه های عصبی برای استخراج قانون حاکم بر فضای ورودی –خروجی وبه روش های گوناگون انجام یافته است . در این زمینه می توان به تحقیقات صورت گرفته توسط بنی مهدوهمکاران [۷]،جین و همکاران [۸]،جوری وهمکاران [۹]، لیونق و همکاران [۱۰] و غیره اشاره کرد. از بررسی ادبیات گذشته تحقیقات صورت گرفته در زمینه آنالیزحساسیت و شبکه های عصبی نتیجه گرفته می شود که تحقیقی در خصوص تحلیل حساسیت به روش مشتقات جزئی در زمینه کارهای هیدرولوژیکی و علی الخصوص فرایند تبخیر صورت نگرفته است .
۲-مواد و روشها
این تحقیق در پی مدل سازی و تحلیل حساسیت عوامل موثر برمیزان تبخیر روزانه شهرهای تبریزو ارومیه واقع در شمال – غربی ایران می باشدکه موقعیت این مناطق در شکل ۱نشان داده شده است .

شکل ۱.موقعیت مناطق مطالعاتی
برای این منظور از داده های هیدرولوژیکی و روزانه ایستگاه های سینوپتیک تبریز و ارومیه بترتیب در محدوده سالهای (۱۳۷۳-۱۳۸۷)و (۱۳۷۴-۱۳۸۱)که بترتیب شامل ۵۴۷۹و ۲۹۲۲رکورد ثبت شده بودند استفاده شده است . داده های استفاده شده عبارت بودنداز: تشعشع خورشید ،دمای هوا (T)، رطوبت نسبی ،سرعت باد فشارستون هوا (P)و تبخیرتشتک در این تحقیق ابتدا مدل شبکه های عصبی بااستفاده از ۷۵% داده ها آموزش و سپس با ۲۵% داده های مانده تست شد.ازجمله شبکه های عصبی که در این مطالعه و بطور وسیعی درعلوم مختلف و از جمله علوم مهندسی مورد استفاده قرارگرفته است شبکه های پس انتشارخطا (BPNN)می باشد که سریعترین الگوریتم آموزشی آن الگوریتم لونبرگ مارگارت ٧است . از نظر ساختار ریاضی ,BPNN یک الگوریتم بهینه سازی شیب نزولی است که با هدف مینیمم کردن خطای کل بین مقادیر خروجی از شبکه عصبی و مقادیر مشاهداتی ساخته شده است [۲].با توجه به محدوده توابع محرک ،انتقال متغیرهای خروجی و ورودی به بازه مناسب با یک توزیع ،لازم بنظر می رسد. مهمترین هدف از این انتقال ،تصحیح پخش متغیرهای ورودی وخروجی بنحوی است که خطای مدل سازی کم شود. انتقال خطی ، مطابق رابطه ای که در مرجع [۲]آورده شده بیشترین کاربرد را در شبکه های عصبی دارد.به منظور یافتن بهترین نگاشت ورودی –خروجی ،
در شبکه های آزمایشی تعداد حداکثر۲لایه میانی باتوابع انتقال تانژانت هیپربولیک و لگاریتم سیگموئید و برای لایه خروجی از تابع انتقال خطی وبرای ارزیابی مدل هااز شاخص های آماری ضریب تبیین وجذر متوسط مربعات خطا٩استفاده شده است .در ابتدامدل های شبکه عصبی با ساختار مناسب برای هر دو منطقه بدست آورده شد. در ادامه جهت تفسیر اطلاعات خروجی از مدل های شبکه عصبی ،آنالیز حساسیت روی مدل های کالیبره شده در مرحله قبل اعمال شد. مطالعه حاضر به بررسی آنالیزحساسیت مدل شبکه های عصبی به دو روش وزنهای اتصال و مشتقات جزئی ١١خروجی نسبت به ورودی می پردازد.آنالیز حساسیت به روش وزن های اتصالی که از ماتریس وزن های شبکه برای تعیین اهمیت نسبی ورودی های مختلف استفاده می کند، اولین بار توسط گارسون [۱۱]بکار برده شد که الگوریتم اجرایی آن در مرجع [۱۲]ذکر شده است ، ودراین مقاله توضیحی در مورد الگوریتم آن آورده نشده است وتنها روش استفاده از قانون مشتقات جزئی مرتبه اول برا ی محاسبه حساسیت ها بصورت زیر توضیح داده می شود .
۲-۱آنالیز حساسیت
روش PaD نسبت به روش های دیگر نظیر روش وزن ها نتایج بهتر وپایدارتری را تولید می کند[۱۲] این روش به صورت مشتق نسبی خروجی نسبت به ورودی ها تعریف می شود[۲]. رابطه آنالیز حساسیت برای یک شبکه پرسپترون چند لایه (MLP)فرضی که در شکل (۲) نشان داده شده است ، به صورت زیر بدست می آید[۲]:

Xمتغیر ورودی به شبکه وN سیگنال خروجی ، Sسیگنال ورودی به نرون ، زیرنویس p یک ورودی مستقل را نشان می دهد که حساسیت آن بدست می آید، وزن اتصال بین نرون p و نرون h در لایه میانی (لایه بعدی )،زیرنویس hبرای یک نرون در لایه میانی و o برای یک نرون در لایه خروجی نشان دهنده تابع انتقال است و تعداد نرون در لایه میانی با nh نشان داده شده است . در این مطالعه ، تابع انتقال لایه میانی Tansig ودر لایه خروجی Pureline برای شبکه های کالیبره شده

شکل ۲.شبکه پرسپترون فرضی
بدست آمده است که مشتق مرتبه اول تابع تانژانت سیگموئید وتابع انتقال خطی بترتیب با روابط (۲) و (۳) تعریف می شوند.
که با جایگذاری در معادله (۱) معادله نهایی حساسیت برای شبکه پرسپترون چند لایه فرضی به صورت رابطه (۴) بدست می آید.

اهمیت نسبی هر متغیر ورودی نسبت به خروجی شبکه در روش PaD با شاخص SSD محاسبه می شودکه به صورت زیر تعریف می شود[۱۲] :

Nتعداد کل رکوردهای ثبت شده است . این حساسیت ها برای نمونه گرفته شده از بانک اطلاعاتی مدل (کلیه رکوردهای ثیت شده ) و در فضای n بعدی متغیرهای ورودی محاسبه می شوند. یک حساسیت مثبت نشان دهنده رابطه مستقیم ویک مقدار منفی آن نشان دهنده رابطه معکوس متغیر مورد نظر با خروجی می باشد. اینگونه روابط اگر داده ها به صورت خام وارد شبکه شوند، حساسیت مطلق هستند که بایستی اصلاح شوند .اگر داده های ورودی به شبکه نرمالیزه شوند
، اینگونه روابط بدست آمده همان حساسیت نسبی خواهند بود[۲].شاخص SSD اهمیت نسبی شرکت هرمتغیر ورودی در محاسبه متغیر خروجی شبکه را بدست می آورد ولی جهت تاثیر را مشخص نمی کند.هر اندازه مقدار این شاخص بیشتر باشد نشان دهنده تاثیر بیشتر متغیر مورد نظر روی خروجی از مدل می باشد.بنابراین در استفاده از روش PaD دو نوع نتیجه به این صورت بدست می آید: اولاًبا استفاده از رابطه (۴) می توان مشتقات خروجی را برای تک تک ورودی ها بدست آورد و نمودارهای پراکنش مقادیر حساسیت های خروجی روی ورودی را رسم کرد.ثانیاًبا استفاده از شاخص SSD تعریف شده در رابطه (۵) می توان درصد اهمیت تاثیر نسبی هر متغیر ورودی را بر خروجی از مدل محاسبه کرد. ازرابطه (۴) دیده می شود که حساسیت ورودی به چندین عامل بستگی دارد:الف )ساختار درونی شبکه شامل :تعداد لایه های میانی ، تعداد نرون های میانی و نوع توابع فعالیت ،ب ) دامنه متغیرهای ورودی و متغیر خروجی ، ج )ماتریس وزن های شبکه که این خود البته نتیجه آموزش شبکه است پس بستگی روی دامنه داده های آموزشی داردود) دامنه متغیر ورودی که حساسیت آن محاسبه می شود. اما یک بار که شبکه آموزش می بیند سه فاکتور اول ثابت می شوند و مقادیر حساسیت ها تنها وابسته به عامل چهارم می شود. بنابراین مقادیر حساسیت ها بشدت روی دامنه متغیر ورودی تغییر می کند و تفسیر نمودارهای حساسیت حاصل را به عنوان نتیجه اول روش PaD مشکل می کند.به منظوربدست آوردن میزان پراکندگی و جهت تاثیر مقادیر مختلف حساسیت نسبی متغیر خروجی نسبت به یک متغیر ورودی در کل فضای ورودی و بطور همزمان از روش آنالیز درصدهای آماری مقادیر حساسیت نسبی که توسط لو همکارانش [۲]بکار بسته شده استفاده می شود. در این روش ۵ درصد آماری (%D١٠، %D٢۵، %D۵٠، %D٧۵ و %D٩٠)مقادیر حساسیت نسبی خروجی نسبت به ورودی مربوطه محاسبه می شود . توضیح شاخص های بدست آمده از این روش به صورت زیر است :
.%D١٠ نشان دهنده مقداری برای حساسیت نسبی است که ۹۰% مقادیر از آن بیشتر و ۱۰% از آن کمتر می باشند. بنابراین اگر مثبت شود نشان می دهد که احتمال اینکه مقدار حساسیت نسبی مثبت باشد بالای ۹۰%است یا به عبارتی احتمال اینکه خروجی با افزایش ورودی مورد نظر افزایش یابد بالای ۹۰%است .
.%D٩٠ نشان دهنده مقداری برای حساسیت نسبی است که ۹۰% مقادیر از آن کمتر است ، بنابراین اگر منفی باشد نشان می دهد که به احتمال بالای ۹۰% خروجی با افزایش ورودی مورد نظر کاهش می یابد .
.توضیح %D٢۵، %D۵٠ و %D٧۵ مانند %D١٠ و %D٩٠ است . اگر %D۵٠ بر روی خط پایه (حساسیت صفر) باشد ، نشان می دهد که احتمال اینکه با افزایش ورودی ، خروجی افزایش یا کاهش یابد ۵۰% است .
.ورودی که دارای پخش مقادیر درصدهای حساسیت نسبی حول خط پایه (حساسیت صفر) باشد، دارای اثر کمتر بر روی خروجی نسبت به ورودی است که دسته درصدهای حساسیت نسبی آن دورتراز خط پایه است .حاصل آنالیز آماری مقادیر حساسیت ها در نمودارهای تورنادو مانندی نمایش داده می شوند.

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 12700 تومان در 14 صفحه
127,000 ریال – خرید و دانلود
سایر مقالات موجود در این موضوع
دیدگاه خود را مطرح فرمایید . وظیفه ماست که به سوالات شما پاسخ دهیم

پاسخ دیدگاه شما ایمیل خواهد شد