بخشی از مقاله
*** اين فايل شامل تعدادي فرمول مي باشد و در سايت قابل نمايش نيست ***
تخمین تبخیر به روش ANFIS و مقایسهی آن با متد پنمن
چکیده
مهندسی منابع آب نیازمند روشهایی ساده و در عین حال مؤثر جهت تخمین تبخیر، بویژه بر اساس فاکتورهای هیدرولوژیکی قابل اندازه گیری میباشد. با کمال تأسف این شیوه کاری کمتر مورد توجه قرار میگیرد. در این مقاله از سیستم استنتاج فازی سازگار براصول شبکه ی عصبی((ANFIS برای دادههای ماهیانه هیدرولوژیکی استفاده شده است. تبخیر روزانه، تابش خورشیدی، دمای ماکزیمم و مینیمم و رطوبت نسبی برای بسط دادن روش ANFIS اندازه گیری شدهاند. که به تخمین تبخیر ، تبخیر بر اساس متغیرهای ورودی که در روشهای سنتی مانند روش پنمن امکان پذیر نیستند ،کمک میکند. از روش تخمین مقدار تبخیر روزانه پنمن جهت صحت سنجی دادههای خروجی روش ANFIS استفاده شده است. در روشهای کلاسیک تخمین تبخیر داده ها مستقل فرض میشوند،در حالی که در روش ANFIS دادهها به صورت اشتراکی مدل شده و این امکان تخمین در موقعیت جدید با استفاده از دادهها را فراهم میکند. در روش ANFIS که در این مقاله شرح وتفسیر شدهاست، چهار متغییر به عنوان خروجی و یک متغییر به عنوان ورودی تعیین شده و درپایان نتایج حاصل از تخمین به روش ANFIS مورد بررسی قرار گرفته است.
کلمات کلیدی:
تبخیر ، روش پنمن ، سیستم استنتاج فازی (ANFIS) ، دریاچهی ارومیه ،آذریایجان غربی
مقدمه:
تخمین تبخیر تقریبا در تمامی زمینه های مربوط به مهندسی منابع آب نظیر:تأمین آب، آبرسانی، مدیریت، آبیاری،کشاورزی و فعالیت هیدرولوژیکی مهم است. روش های گوناگون غیر مستقیم و مستقیم ، توانایی تخمین پتانسیل تبخیر از سطح آزاد را دارند. روش تشتک اندازه گیری کلاس A که میزان تبخیر در طول زمان را ثبت می کند؛ تنها روش مستقیمی است که برای اندازه گیری تبخیر در سازمان هواشناسی آمریکا مورد استفاده می گیرد. روش های غیر مستقیم به ترتیب پیچیدگی و داده های مورد نیاز شامل فرمول هایی بر اساس دما [1] ؛ بر اساس برآورد تابش خورشیدی [2] ؛ بر اساس فرمول های پایه رطوبتی [3] ؛ فرمول های ترکیبی که حاوی مقادیر وزنی رطوبت و سرعت باد می باشند [4] ؛ ویا هم ترازی صعودی بالانس انرژی در سطح تبخیر [5] است .این روش ها و مدل های شبیه سازی برای اندازه گیری تبخیر توسط برخی از محققین مورد استفاده و مقایسه قرار گرفته اند 6]و. [7
علی رغم اینکه شالوده اصلی این روش ها شبیه به روش پنمن است؛ فرضیات و حساسیت هایی برای تخمین تبخیر در یک ایستگاه مشخص را دارند. شبیه سازی ومحاسبه تمامی عوامل مؤثر بر تبخیر با استفاده از نتایج یک دوره زمانی محدود به دلیل ساختار آماری کمیت ها(نطیر: دما، فشار، سرعت،وضعیت های تشابه محیط زیستی و. . .) و فرضیات محدود کننده(خطی سازی،همگنی،ایستایی و . . .) امکان پذیر نیست، به طوری که هر فرآیند هیدرولوژیکی محدود به شرایط ویژه هواشناسی و زیست محیطی است.
در این نوشته ، شیوهای که برای تخمین تبخیر از سطح آزاد معرفی می گردد؛ استفاده از سیستم استنتاج فازی سازگار بر اصول شبکه ی عصبی((ANFIS است.برخلاف معادله ی پنمن،رفتار داده در این روش منطبق با مفهوم توالی در سری های زمانیست.جانگ در سال (1993) اولین نفری بود که روش ANFIS را پیشنهاد کرد و برای حل برخی از مسائل بنیادی از این روش استفاده کرد . [3] برابر دانستن جایگاه متغییرها در قاعده hybrid learning و تلفیق آن با گرادیان back-propagation و توانایی تفسیر خطا به شیوه حداقل مربعات در قاعده""IF-THAN؛ با اختصاص دادن یک تابع عضویت با توجه به الزامات اولیه مربوط به هریک از جفت های ورودی و خروجی ساختار فازی مورد استفاده قرار می گیرد. پژوهشگرانی کارایی ANFIS را برای مدل های هیدرولوژیکی بررسی کرده اند.چانگ&چانگ((2001 کنترل کننده های هوشمند در عملکرد دائمی مخازن را مورد مطالعه قرار داد و نتیجه گرفت که اطلاعات لازم برای قواعد یک ساختار فازی را داراست ANFIS. [6] به بهره برداری بهتر از مخازن نسبت به روش کلاسیک قاعده گراف های مبنا کمک میکند. نایاک ات آل ANFIS (2004) را به عنوان مدلی کارآمد جهت حفط کردن ویژگی های آماری سریهای زمانی و مدلسازی سری های جریان رودخانه ارئه داد [8] ..در سال 2006 ازلم تزلی داده مربوط به میزان تبخیر از دریاچهی اگیدر را به روش ANFIS تخمین زد. در این نوشتار روش ANFIS جهت تخمین میزان تبخیر در روزهای مورد نطر بدون هر گونه فرض محدود کننده با در نظر گرفتن چهار متغییر ورودی به نام های ، تابش خورشیدی ، دمای آب ،دمای هوا و رطوبت نسبی بسط داده شده است.آموزش و سنجش مدلANFIS با خروجی های روش پنمن قیاس شده است
مواد و روش ها :
سیستم استنتاج فازی سازگار بر اصول شبکه ی عصبی(: (ANFIS
سیستم های استنتاج فازی((FIS مختلفی در این نوشتار بررسی شده اند که هر یک های ناشی از متغییر های مورد استفاده دارند.در این قسمت ابتدا شرحی کوتاه از مدلANFIS ارائه می شود. برای جزئیات بیشتر خواننده به مرجع [6] ارجاع داده می شود.
در واقع،ANFIS نمونه ای از شبکه های گرافیکی ، Sugeno-type در سیستم های فازیست. با نسبت دادن به یک آموزش عصبی کارآمد ؛ شبکه شامل گره هایی با عملکرد یا وظیفه ی ویژه خواهد بود. [9]
با توجه به تفسیر تصاویر مربوط به توان ANFIS ، سیستم کنترل عصبی فازی قوانین بنیادی فازی Tagaki-Sugeno-Kang(TSK) را لحاظ می کند ؛ که پیش شرط ترکیب خطی منتج از آن است. قانون فازی TSK به صورت زیر است:
پیش شرط مربوط به تابع عضویت و ضریب وزنی در یک دوره ی اسمی سیستم کنترل فازی((NFCدر روشANFIS شامل دو قاعده ی فازی Y، ومتغیر خروجیX2 و X1تخمین سیستم کنترل فازی با در نظر گرفتن دو متغیر ورودی به صورت زیر می باشد: TSK
در سیستم فازی TSK ، خروجی y* متناظر با دو ورودی X1 و X2 طبق فرمول زیر محاسبه می شود:
j با توجه به قواعدSugeno مقادیر 1 یا 2 را أخذ می کند:
اگر سیستم استناجی حاصل، با معماری نشان داده شده ANFIS در شکل1 مطابقت داشت؛ به صورتی که عملکرد گره ها در هر لایه مطابق با توضیحات زیر بود ؛ هر لایه می تواند به معماریANFIS مرتبط گردد. 10]و[11
لایه ی:1 تمامی گره ها در این لایه به عنوان ورودی محسوب می شوند و فقط توانایی انتقال علائم خروجی به لایه ی بعدی را دارند.
لایه ی:2 تمامی گره هادر این لایه دارای تابع عضویت می باشند و خروجی دارای یک درجه ی مخصوص می باشد که با اخذ Xi عملکردAj نشان می دهد. زنگوله ای شکل بوده و درجه بزرگترین عضو برابر 1 و کوچکترین عضو برابر0 می باشد و فرمول آن به صورت زیر است:
در واقع رهنمون شدن و پیش رفتن با توابع مختلف مانند: توابع عضویت مثلثی، ذوزنقه ای نیز انتخابی مناسب برای عملکرد گره ها در این لایه هستند. به مؤلفه های این لایه مولفه های پیش شرط گفته می شود.
لایه ی:3 تمامی گره ها در این لایه برچسب Π می گیرند و سیگنال ورودی را با فرمول (X2) (X1)+ μ μj= μ
بس شماری کرد و حاصل را به لایه بعدی انتقال می دهند.
لایه ی:4 تمامی گره ها در این لایه برچسبN می گیرند و ضریب وزنی نرمال شده ی مربوط به هر قانون محاسبه می گردد. به این صورت که برای قاعدهj ام ضریب وزنی نرمال شده ی مربوطه از تقسیم ضریب وزنی قاعده یj ام به مجموع کل ضرایب وزنی به دست می آید:
