بخشی از مقاله
چکیده
شبیهسازی جریان رودخانه به منظور آگاهی از دبی رودخانه در دوره های زمانی آینده از مسائل مهم و کاربردی است. با توجه به اهمیت اطلاع از دبی جریان در سالهای آینده، محققین به دنبال توسعه روشهایی هستند که بتوانند دقت پیش بینی ها را افزایش دهند. روشهای هوش مصنوعی از جمله سیستم استتنتاجی عصبی-فازی تطبیقی از جمله این روشها می باشد. اما عوامل متعددی در دقت پیش بینی با این روشها موثرند که به دلیل نبود معیار خاصی برای انتخاب، باید با سعی و خطا بهترین حالت پیش بینی انتخاب گردد.
از این رود ر این تحقیق به منظور پیش بینی جریان رودخانه سیمینه رود از روش شبکه های عصبی-فازی استفاده شده و عوامل دخیل در دقت این روش مورد بررسی قرار گرفته است. سری زمانی جریان ماهانه رودخانه برای دوره 1378 تا 1393 برای ایستگاه هیدرومتری پل میاندوآب مورد استفاده واقع شد. جهت بدست آوردن بهترین پارامترهای ورودی از تحلیل رگرسیونی استفاده شد. کارایی مدل ها با استفاده از معیار ضریب همبستگی بررسی شد. در مورد شبکه های عصبی-فازی دو عامل تعداد دور آموزشی و نوع تابع عضویت مورد بررسی قرار گرفت. بر اساس نتایج ضرایب همبستگی مشخص شد که تغییر تابع عضویت بسیار بیشتر از تغییر دور آموزش در دقت موثر می باشد.
واژه های کلیدی: تابع عضویت، سیستم استتنتاج عصبی- فازی تطبیقی، سیمینه رود، دبی ماهانه
مقدمه
امروزه در دنیا، آب و منابع آب و رودخانه ها، یکی از پایه های توسعه به شمار می روند. در مواردی که رودخانه ها به عنوان یکی از منابعتاّمین کننده نیاز جوامع بشری مطرح می گردند، علاوه بر کمیت میزان آورد و پیش بینی آن مورد توجه قرار می گیرد - احمدوند، . - 1389 پیش بینی و تخمین مقدار دبی جریان در رودخانه ها به عنوان کاری مهم و اساسی مورد توجه قرار می گیرد. در دهه های اخیر با رشد جمعیت جهان و همچنین افزایش مصرف سرانه آب در کشورها چه به صورت آشامیدنی یا کشاورزی و چه با مصرف بی رویه آن در بخش صنعتی، کمبود آب شیرین قابل استحصال به معضلی گسترده و جهانی تبدیل گشته است.
از این رو با توجه به محدود بودن منابع آب و خشک سالی ها و تغییرات ژئومورفولوژیکی و هیدرولوژیکی کره زمین، کسب اطلاعات و مطالعه و پژوهش در زمینه مدیریت برآورد و پردازش اطلاعات داده های موجود و تخمین پیش بینی میزان دبی رودخانه ها به صورت ماهانه و حتی سالیانه از مهمترین وظیفه سیاست گذاران و مهندسین منابع آب می باشد. یکی از مهم ترین ارکان مدیریت منابع آب، پیش بینی میزان این منابع در آینده است.
اهمیت این پیش بینی ها در تصمیماتی است که به منظور مدیریت بهینه منابع آب صورت می گیرد. از این رو پیش بینی دبی رودخانه ها به عنوان یکی از مطرح ترین چالش های مدیریت منابع آب در دهه های اخیر بوده است، به طوری که محققان روش های متفاوتی را برای این امر در مقالات مختلف ارائه نموده و به کار گرفته اند، این روش هاعمدتاَ شامل تکنیک های رگرسیونی، مدل های مفهومی، نرو فازی، و شبکه های عصبی می باشد.
یکی از پراستفاده ترین این شبکه ها در مهندسی آب و پیش بینی دبی رودخانه ها مدل شبکه عصبی فازی می باشد. محققان مختلفی از این روش برای پیش بینی پارامترهای مختلف هیدرولوژیکی در ایران و دنیا استفاده کرده اند. احمدوند و کریمی - - 1389 دبی رودخانه کارون را با استفاده از سیستم استتنتاجی عصبی-فازی تطبیقی پیش بینی کردند. دراین تحقیق سعی شد با استفاده از آمار 42 ساله ایستگاه های باران سنجی ایستگاههای شهر کرد بروجرد، دزفول و همچنین ایستگاههای هیدرومتری موجود در حوزه رودخانه کارون دبی این رودخانه پیش بینی گردد.
نتایج حاصله نشان دهنده دقت نسبتا بالای ANFIS در برآورد و تخمین دبی رودخانه کارون بوده است. عبداله پور آزاد و ستاری - - 1394 جریان روزانه رودخانه اهرچای را با استفاده از روش های شبکه های عصبی مصنوعی پیش بینی نموده و نتایج را با سیستم استنتاج فازی- عصبی تطبیقی مورد مقایسه قرار دادند. نتایج نشان از برتری سیستم استنتاج فازی- عصبی تطبیقی بر شبکههای عصبی مصنوعی دارد.
نایاک و همکاران - - 2005 با مدل سازی فرآیند بارش- رواناب به پیش بینی جریان رودخانه در حوضه کولار در هند پرداختند و عملکرد مدل های استنتاج فازی، شبکه های عصبی مصنوعی و سیستم استنتاج فازی عصبی تطبیقی را با سه معیار ضریب بازده، جذر میانگین مجذور خطا و ضریب همبستگی مورد بررسی قرار دادند. نتایج بررسی ها نشان داد که سیستم استنتاج فازی - عصبی تطبیقی دارای خطای کم تری نسبت به دو روش دیگر است.
نبی زاده و همکاران - - 2012 با استفاده از مدل های مبتنی بر منطق فازی شامل سیستم استنتاج فازی و سیستم استنتاج فازی - عصبی تطبیقی و سیستم استنتاج فازی - عصبی تطبیقی اقدام به پیش بینی جریان روزانه با سه پارامتر بارندگی، دما و دبی در رودخانه لیقوان نمودند. نتایج این پژوهش نشان داد که روش ANFIS از دقت بالاتری نسبت به روش FIS برخوردار است. کیشی و همکاران - - 2012 با استفاده از داده های سال 1982-1961 و روش های هوش مصنوعی از جمله شبکه عصبی مصنوعی، سیستم استنتاج فازی - عصبی تطبیقی و برنامه ریزی بیان ژن اقدام به پیش بینی سطح آب روزانه دریای ازنیک واقع در غرب ترکیه نموده و نتایج را با روش ARMA مورد مقایسه قرار دادند . نتایج به دست آمده نشان داد روش های هوش مصنوعی نسبت به روش ARMA از دقت بالایی برخوردار است. در این تحقیق علاوه بر پیش بینی دبی رودخانه سیمینه رود، تاثیر نوع تابع عضویت و تعداد دور آموزش در دقت پیش بینی بررسی گردید.
مواد و روشها منطقه مورد مطالعه
حوضه آبریز سیمینه رود در بین مختصات جغرافیایی 45 درجه و 35 دقیقه تا 46 درجه و 25 دقیقه طول شرقی و 36 درجه و 1 دقیقه تا 37 درجه و 56 دقیقه عرض شمالی واقع شده است. رودخانه سیمینه رود با فرسودن زمینهای بالادست خود مخروطه افکنی در قسمت ورودی دشتها ایجاد نموده که دارای دانه بندی درشت بوده و از نفوذ پذیری زیادی برخوردار است به طرف پایاب ضمن افزایش بستر نهشه های ناپیوسته، از قطر و اندازه مواد کاسته می گردد و نهایتا به نهشته های ریز دانه دریاچه ارومیه منتهی می شود. متوسط بارندگی سالانه حوضه 414 میلی متر و حداکثر بارندگی در ماه های فروردین، اسفند و حداقل در ماه های تیر و مرداد مشاهده شد هاست. متوسط دبی سالانه 16/17 مترمکعب بر ثانیه و حداکثر دبی در ماه های فروردین و اسفند و حداقل دبی در ماه های شهریور و مرداد مشاهده شد هاست. شکل1 حوضه این رودخانه را نشان می دهد.
حوضه رودخانه سیمینه رود به همراه شاخه های رودخانه
شبکه های عصبی-فازی
ANFIS یک شبکه پیشخور چندلایه میباشد که از الگوریتمهای یادگیری شبکه عصبی و منطق فازی به منظور ترسیم یک فضای ورودی به یک فضای خروجی استفاده میکند. ساختار ANFIS شامل پنج لایه گرههای ورودی، گرههای قاعده، گرههای متوسط، گره-های نتیجه و گرههای خروجی است. این شبکه میتواند بر اساس یادگیری بانظارت الگوریتم آموزش پیوندی که توسط جانگ ارائه شده، آموزش داده شود؛ بنابراین هدف ما آموزش شبکههای تطبیقی است که قادر به تخمین توابع نامشخص حاصل از اطلاعات آموزش بوده و مقدار دقیقی برای پارامترهای بالا پیدا کنند.
ویژگی متمایزکننده ANFIS فراهم کردن الگوریتم یادگیری پیوندی، روش کاهش شیب و روش حداقل مربعات، به منظور اصلاح پارامترها میباشد. در گذر رو به عقب خطاها رو به عقب گسترش یافته و روش کاهش شیب بهکار گرفته میشود تا پارامترهای غیرخطی مقدماتی یا فرضی - ai,bi,ci - را بهروز کند، در حالی که در گذر روبهجلو روش حداقل مربعات بهکار گرفته میشود تا پارامترهای خطی نتیجه را در لایه چهارم شناسایی کند.
