بخشی از مقاله
چکیده
رودخانه ها و آب های سطحی در تولید بخشی از مواد غذایی مورد نیاز جامعه اهمیت زیادی دارند و از این جهت مدیریت آگاهانه بر آن ضروری می باشد. در این تحقیق، برحسب ضرورت پیش بینی کیفیت رودخانه ها، مدیریت منابع آب و کاهش هزینه های پایش، عملکرد مدلهای شبکه عصبی - - ANN، ترکیبی شبکه عصبی - موجک - - WANN و رگرسیون خطی چند متغیره - - MLR، در پیش بینی غلظت COD ایستگاه خروجی سد تنظیمی واقع در رودخانه کرج، مورد ارزیابی قرار گرفت.
در یک دوره آماری 141 ماهه، از شهریور 1378 تا اردیبهشت 1390 که به صورت ماهانه، توسط واحد آزمایشگاه شرکت آب و فاضلاب استان تهران ثبت شده است، به عنوان ورودی مدلها استفاده گردیده است. این مدلها تنها با استفاده از غلظت COD در ماه های گذشته، توانستند پیش بینی قابل قبولی را ارائه دهند. کارایی مدل ها با ضریب تببین - E - و ریشه میانگین خطای مربع - - RMSE ارزیابی شدند. نتایج، حاکی از دقت بالای مدل ترکیبی شبکه عصبی- موجکی نسبت به دو مدل دیگر بوده است؛ بطوریکه ضریب تبیین برای WANN و ANN وMLR ، بهترتیب 0/892 و 0/658 و 0/319 بهدست آمد. توانایی مدل ترکیبی به دلیل تجزیه سری زمانی به زیر سری های تقریب و جزئیات و در نتیجه شبیه سازی نوسانات پیچیده و غیر خطی سیگنال می باشد.
.1 مقدمه
امروزه آلودگی های محیطی به ویژه آلودگی آب به اشکال مختلف، درنتیجه پیشرفت تکنولوژی و بالارفتن استانداردهای زندگی، بطور فزاینده ای درحال افزایش است. رودخانه ها به عنوان یکی از منابع تأمین کننده نیاز جوامع بشری مطرح م ی گردند؛ علاوه برکمیت و میزان آورد رودخانه باید کیفیت آب نیز جز پارامترهای مهم مورد توجه قرار گیرد؛ لذا بررسی و پیش بینی پارامترهای کیفی در طول یک رودخانه، یکی از اهداف مدیران و برنامه ریزان منابع آب است - مخدوم . - 1384 اکسیژن خواهی شیمیایی - 1 - COD، یکی از مهمترین شاخص های سنجش آلودگی فاضلاب است. در واقع COD مقدار اکسیژن مورد نیاز برای اکسیداسیون کل مواد آلی آب می باشد. بدیهی است که هرچه مقدار COD یک فاضلاب بیشتر باشد بارآلودگی آن نیز بیشتر خواهد بود.
مدل های تحلیلی که برای شبیه سازی و پیش بینی کیفیت آب استفاده می شود؛ اغلب نیازمند اطلاعات ورودی فراوان و غیرقابل دسترس هستند. در همین راستا به علت ناتوانی روشهای تحلیلی و همچنین پیچیدگی ذاتی مسائل هی درولوژیکی، استفاده از روش های هوشمند جهت بررسی و پیشبینی پدیدهها، در دهههای اخیر بسیار متداول شده است که در این بین مدل های شبکه عصبی مصنوعی به دلیل قابلیت پیش بینی و مدل سازی غیرخطی بسیارکاربردی می باشد. سینگ و همکاران 2009، مدل شبکه عصبی مصنوعی را برای تخمین میزان غلظت اکسیژن محلول، اکسیژن خواهی بیوشیمیایی، رودخانه Gomti در هند توسعه دادند؛ از 11 پارامتر کیفی آب که طی 10 سال بطور ماهانه در 8 ایستگاه مختلف اندازه گیری شده بود به عنوان ورودی مدل استفاده کردند.
می و سیواکومار 2008، شبکه عصبی مصنوعی و مدل های رگرسیونی را برای پیش بینی کیفیت آب رودخانه های شهری مورد استفاده قرار دادند .پالانی و همکاران 2008، طی مقاله ای پارامترهای کیفی آبهای ساحلی سنگاپور را با استفاده از شبکه عصبی مصنوعی مدل کردند؛ در این مدل پارامترهای شوری، دما، اکسیژن محلول وکلروفیلa، به عنوان داده های ورودی در نظرگرفته شد. دوگان و همکاران 2007، از شبکه های عصبی مصنوعی برای تخمین غلظت اکسیژن خواهی بیوشیمیایی با استفاده از داده های مربوط به 11 ایستگاه برروی رودخانه Melen شامل درخواست اکسیژن شیمیایی ، دما، اکسیژن محلول، دبی، کلرفیلa، آمونیاک، نیتریت و نیترات استفاده کردند.
چانگ و چاوز 2008، برای شبیه سازی مشخصات کیفی مخزن سد Shihmen بر روی رودخانه tahan در تایوان از شبکه های عصبی مصنوعی بهرهگرفتند. برای این امر از مشاهدات کیفیت آب مربوط به 47 روز در 5 نقطه و 3 عمق مختلف استفاده نمودند؛ داده های هیدرولوژیکی و هواشناسی به عنوان ورودی و پارامترهای کیفی شامل اکسیژن خواهی بیوشیمیایی و اکسیژن محلول، فسفر کل و کلروفیلa به عنوان خروجی مدل تعریف شدند.
نجاه و همکاران 2011، تکنیک های هوشمند عصبی مختلفی را برای پیش بینی پارامترهای کیفی اکسیژن محلول - DO - ، اکسیژن خواهی بیولوژیکی - BOD - و اکسیژن خواهی بیوشیمیایی به کار بردند. هدف آنها ارائه مدلی برای پیش بینی پارامترهای کیفی با هدف صرفه جویی در هزینه و زمان لازم برای اندازه گیری این پارامترها بود. قابلیت بالای مدل شبکه عصبی پرسپترون با یک لایه مخفی را نسبت به رگرسیون خطی چند متغیره نتیجه گرفتند.
یکی از روش های هوشمندی که اخراًی در زمینه مهندسی آب و مسائل هیدرولوژیکی مورد توجه قرار گرفته است، استفاده از آنالیز موجک ، به عنوان روشی نوین با قابلیت بالا، در زمینه تحلیل سری های زمانی است. تئوری موجک، ابزار مناسبی برای تحلیل سری های زمانی ناایستا و گذرا می باشد. رجایی و همکاران 2011، مدل شبکه عصبی موجکی جدیدی را برای پیش بینی بار معلّق روزانه رودخانه ها ارائه دادند؛ درتحقیق خود توانایی بالای ترکیب موجک و شبکه عصبی نسبت به دیگر روش ها - مدل های رگرسیون، منحنیهای سنجه - برایمحاسبه بار معلّق رسوب رودخانه را نتیجه گیری کردند. ادموسکی و سون 2010، از مدل ترکیبی تبدیلات موجکی گسسته و شبکه های عصبی، برای پیش بینی جریان یک و سه روزه در رودخانه های غیردائمی حوضه های نیمه خشک کارگوتیس، استفاده کردند؛ نتایج نشان داد، شبکه های عصبی-موجکی روش مؤثری برای پیش بینی جریان کوتاه مدت، در اینگونه حوضه ها هستند.
نورانی و کوماسی 2009، از مدل تلفیقی شبکه عصبی -موجکی برای پیش بینی دبی رواناب یک روز بعد، استفاده نموده و به این نتیجه رسیدند که توانایی شبکه عصبی-موجکی در پیش بینی نقاط بیشینه نمودار سری زمانی، نسبت به سایر روشها بیشتر است. سینگ 2012، از مدل تلفیقی شبکه عصبی و روش های آماری برای مدلسازی سیلاب استفاده کردند و نشان دادند که قابلیت مدل ترکیبی نسبت به روش های آماری بالاتر است.
این مطالعه، به لحاظ ترکیب شبکه عصبی اتورگرسیو غیرخطی با موجک، برای پیش بینی سری زمانی غلظت اکسیژن خواهی شیمیایی رودخانه کرج تحقیقی جدید محسوب می شود. هدف از تحقیق حاضر، بکارگیری شبکه های عصبی مصنوعی، شبکه های عصبی-موجکی با ایده ای نو و رگرسیون خطی چند متغیره، برای برآورد غلظت اکسیژن خواهی شیمیایی و مقایسه عملکرد و کارایی این سه روش، در شبیه سازی پارامتر کیفی مذکور رودخانه کرج می باشد.
.2 منطقه مورد مطالعه
رودخانه کرج، یکی از مهمترین رودخانه های حوضه آبریزی مرکزی بوده که در سمت شمال شرقی این حوضه واقع شده است؛ از ضلع جنوبی کوهستان البرز و 40 کیلومتری غرب تهران، از کانون آبگیر خرسنگ کوه، سرچشمه می گیرد. طول رودخانه کرج، حدود 245 کیلومتر و مساحت حوضه آبریز آن، حدود 5000 کیلومتر مربع برآورد شده است. رودخانه کرج به عنوان یکی از مهمترین منابع تأمین کننده آب مورد نیاز شهر تهران می باشد و کنترل کیفیت آب آن، از اهمیت بسزایی برخوردار است. شکل1 موقعیت ایستگاه خروجی سد تنظیمی را به عرض جغرافیایی"35 36' 48.65 و طول جغرافیایی 51 05 ' 18. 21" به عنوان ایستگاه مورد مطالعه، نشان می دهد.
.3 داده ها و تحلیل آماری
مکان مورد مطالعه در این تحقیق، ایستگاه آبسنجی خروجی سد تنظیمی، واقع در رودخانه کرج می باشد که آمار و اطلاعات آن، توسط واحد آزمایشگاه شرکت آب و فاضلاب استان تهران، نمونه برداری و آزمایش شده است. آمار مورد استفاده در این مطالعه، شامل غلظت اکسیژن خواهی شیمیایی بصورت ماهانه طی 10 سال از ماه شهریور 1378 تا ماه اردیبهشت 1390 می باشد. نمودار تغییرات غلظت اکسیژن خواهی شیمیایی آن در طول دوره آماری در شکل2 نشان داده شده است.
