بخشی از مقاله
چکیده
امروزه مدلهای بسیاری جهت بررسی و پیشبینی کیفیت آب مورد استفاده قرار میگیرند که بیشتر آنها نیازمند اطلاعات ورودی فراوان و غیر قابل دسترس هستند. بدین منظور انواع گوناگونی از مدلهای عددی بوجود آمده و توسعه یافتهاند. در این تحقیق از مدل شبکه عصبی مصنوعی پیشخور چند لایهای پرسپترون به دلیل کاربرد مناسب و عدم نیاز به پارامترهای ورودی فراوان، استفاده شده است. با استفاده از دادههای آماری رابطهای بین دبی متوسط ماهیانه و پارامترهای کیفی رودخانه برقرار می گردد. سپس متغیرهای ورودی را با استفاده از شبکه عصبی مصنوعی، آموزش داده و به نرم افزار معرفی کرده تا در مرحله تست شبکه قرار گیرد و در نهایت با استفاده از معیارهای صحتسنجی، نتایج حاصله را بررسی کرده تا بهترین و مناسبترین میزان کل کاتیونها، مقدار سدیم و نسبت جذب سدیم متوسط ماهیانه بدست آید. مشاهده گردید که پارامترهای موثر بر SAR ماهانه به ترتیب: Na, CL میباشند. پارامترهای موثر بر SUM K ماهانه به ترتیب: SUM A, EC, TDS, CL, Na میباشند. پارامترهای موثر بر Na ماهانه به ترتیب: SAR, CL, SUM K, EC, SUM A میباشند. دبی ماهانه بسیار بیشتر از بارش ماهانه در ایستگاه چمریز روی مقدار کل کاتیونها، سدیم و نسبت جذب سدیم ماهانه اثر گذار میباشد. اطلاعات آماری مربوط به ایستگاه هیدرومتری چمریز بر رودخانه کر بالادست سد دروزن واقع در استان فارس می باشد.
مقدمه
آب از مهمترین منابع طبیعی در جهان محسوب می گردد به طوریکه بدون وجود آن، حیات نمی تواند وجود خارجی داشته باشد. بنابراین در صورتیکه این منبع دستخوش تغییرات نامطلوب - مانند کاهش کیفیت و آلودگی - گردد، فجایع عظیم بشری دور از انتظار نخواهد بود. رودخانه ها نیز به عنوان تامین کننده یکی از منابع آبهای سطحی همواره مورد استفاده بشر بوده و به علت اهمیت آن، همواره جوامع انسانی و مراکز صنعتی و کشاورزی در نزدیکی آن برقرار شده است. امروزه مدلهای بسیاری جهت بررسی و پیش بینی کیفیت آب مورد استفاده قرار می گیرند که بیشتر آنها نیازمند اطلاعات ورودی فراوان و غیر قابل دسترس هستند و یا اینکه اندازه گیری این اطلاعات صرف هزینه های زمانی و مالی فراوانی را به دنبال خواهد داشت - گووینداراجو . - 2000 از دهه 1990 نیز به تدریج شبکه های عصبی مصنوعی 1 - ANNS - که بر اساس ساختار مغز و نرونها پایه ریزی شده است در پیش بینیهای علم هیدرولوژی مورد استفاده قرار گرفته شده است.
بنابراین استفاده از مدلهای پیش بینی کننده همانند شبکه های عصبی مصنوعی - که جزو روشهای مدرن و جدید محسوب می گردند - می تواند بر محدودیتهای روشهای سنتی غلبه نموده و نتایج رضایت بخشی را در مدلسازی سیستمهای پیچیده هیدرولوژیکی بدست آورد. به دلیل آنکه کیفیت آب به پارامترهای زیادی وابسته است در سالیان اخیر مدلهای مختلفی جهت برآورد کیفیت آب ارائه شده است - چاپرا و پلتیر . - 2003 معمولا اطلاعات و داده های موجود برای برآورد کیفیت آب وجود ندارد - گووینداراجو . - 2000 بنابراین باید از روشهای نوین و مناسبی جهت این مساله استفاده نمود. استفاده از شبکه های عصبی مصنوعی جهت پیش بینی و برآورد کیفیت آب روش مناسبی می باشد - فرنچ و همکاران 1992، گومزا و کاوزوگلوب 2005 و چوکمانی و همکاران . - 2007 اچ اس یو و همکاران - 1995 - ، از یک شبکه عصبی سه لایه ای جهت شبیه سازی عکس العمل یک حوضه آبریز - پیش بینی مقدار دبی آبراهه ای - نسبت به هایتوگراف بارش روزانه استفاده گردید. دوس و رینتجس - 1997 - جهت شبیه سازی و مدلسازی بارش-رواناب از شبکه های عصبی مصنوعی چند لایه پیشخور استفاده نمودند.
لازم به ذکر است که در این تحقیق از داده های روزانه و ساعتی استفاده شد. علیرغم نتایج مناسبی که از داده های روزانه حاصل گردید، مدلسازی با داده های ساعتی دارای محدودیتهایی گردید. جهت رفع این محدودیتها از تلفیق حالتهای مختلف هیدرولوژیکی و نیز از عملکردهای چندگانه در جهت ارزیابی فاز آموزشی استفاده نمودند. که این امر منجر به ایجاد الگوریتمهای پیچیده آموزشی گردید. کامپولو و همکاران - 1999 - ، از شبکه های عصبی مصنوعی جهت تخمین و پیش بینی رفتار رودخانه ای در ایتالیا در حین رگبار استفاده نمودند. لازم به ذکر است که در این مطالعه با توجه به مقدار بارش در ایستگاههای باران سنجی بالادستی اقدام به تخمین دبی آبراهه می گشت. ایشان نشان دادند که مدل عصبی قادر به پیش بینی دقیق در بازه زمانی بین 1 تا 5 ساعت آینده می باشد. در مطالعه دیگری که توسط مارکوس و تکار - 2000 - صورت پذیرفت با توجه به پارامترهای ورودی دبی، بارش و دمای متوسط ماه قبل و آب معادل ذوب برف ماه قبل و دو ماه قبل اقدام به آموزش شبکه شده و دبی ماه آینده رودخانه فریزر تخمین زده می شد.
لازم به ذکر است که در این تحقیق نیز از شبکه های عصبی مصنوعی استفاده شد. در نهایت نتایج با مدل مفهومی SAC-SMA مقایسه شد. نتایج نشان داد که در دبی های کم و زیاد به ترتیب دقت مدل مفهومی و شبکه عصبی مصنوعی بالاتر می باشد. دستورانی و نایجل - 2003 - از شبکه عصبی مصنوعی جهت کاهش خطای مدل MIKE11 در پیش بینی جریان رودخانه ای حوضه آبریز رینولدز کریک در جنوب غربی ایالت آیداهو در ایالات متحده آمریکا استفاده کردند. فرآیند بارش- رواناب جهت حوضه آبریز هلیل رود توسط نوری و همکاران - 2008 - ، با استفاده از روشهایی مانند منطق فازی، تئوری موجک، شبکه های عصبی مصنوعی و الگوریتم ژنتیک مورد مطالعه قرار گرفت. لازم به ذکر می باشد که ایشان از تلفیق این مدلها با شبکه عصبی مصنوعی استفاده نمودند به عنوان مثال شبکه عصبی- موجکی ترکیبی از شبکه عصبی مصنوعی و تئوری موجک است. حلبیان - 2010 - از اطلاعات ماهانه بارش 53 ساله یزد جهت مدلسازی فرآیند بارش-رواناب با شبکه های عصبی مصنوعی استفاده نمود. نتایج نشان داد که ترکیب شبکه عصبی مصنوعی با الگوریتم ژنتیک می تواند در بهبود نتایج مثمر ثمر باشد
هودسن و همکاران - 1978 - با بررسی اثرات خشکسالی سال 1976 بر کیفیت آب در ایالت ایلینویز آمریکا نتیجه گرفتند که خشکسالی تاثیر اندکی بر کیفیت آب داشته است. آتریل و پاور - 2000 - با بررسی اثرات خشکسالی بر کیفیت آب دریافتند که خشکسالی تاثیر قابل توجهی بر اغلب پارامترهای کیفی آب داشته است. مطالعه ویلبرز و همکاران - 2009 - بر روی پیامدهای خشکسالی سال 2003 بر چندین پارامتر کیفی آب رودخانه دامر در هلند نشان داد که این خشکسالی، تاثیر معنی داری بر خصوصیات کیفی آب رودخانه نداشته است. لازم به ذکر می باشد که ایستگاه هیدرومتری چمریز که بر روی رودخانه کر و بالادست سد درودزن واقع در استان فارس است که دارای طول جغرافیایی 52 6.5' و عرض جغرافیایی 30 27' می باشد. ضمنا ارتفاع این ایستگاه از سطح آزاد دریا برابر با 1840 متر است. این ایستگاه دارای اشل و همچنین پل تلفریک می باشد. ضمنا علاوه بر دبی پارامترهای دیگری از قبیل بارش، تبخیر، رطوبت نسبی و سرعت باد نیز در این ایستگاه اندازه گیری می شود.
مواد و روشها
همانطور که قبلا نیز اشاره گردید، امروزه کاربرد شبکههای عصبی در حوزههای مختلف علمی - به عنوان یک ابزار توانمند درمدلسازی فرآیندهای غیرخطی - ، توجه بسیاری از دانشمندان و محققان را به خود جلب کرده است. شبکههای عصبی مصنوعی بر اساس نحوه استقرار و اتصال نرونها - جهت جریان یافتن و پردازش اطلاعات - ، به انواع زیر تقسیم میشوند.
-1 شبکههای عصبی پیشخور
-2 شبکههای عصبی پسخور -3 شبکههای عصبی با پیوندهای جانبی گره ها
شبکه های چند لایه پرسپترون از شبکه های پیشخور محسوب می گردند.الگوریتم آموزشی انتخاب شده در این تحقیق , الگوریتم آموزشی انتشار به عقب 1 - BP - می باشد . آموزش با این نوع الگوریتم از نوع آموزش با سرپرست می باشد بنابراین به زوج داده های آموزشی نیاز دارد. بدیهی است آموزش شبکه عصبی به روش آزمون و خطا و تغییر الگوهای ورودی و ساختارهای شبکه عصبی انجام می گیرد. پس از آموزش مقادیر چند نمونه خطا با استفاده از روابطه مربوطه محاسبه خواهد شد . بررسی کارایی شبکه عصبی بدین صورت انجام می شود که بردار ورودی مجموعه تست را به ساختارها والگوهای مختلف شبکه عصبی آموزش دیده معرفی کرده و خروجی شبکه را باخروجی های مطلوب مجموعه تست مقایسه می کنیم.
روش کار بدین صورت است که در ابتدای کار تعداد نرونهای لایه مخفی به اندازه درصدی از تعداد نرونهای لایه ورودی درنظر گرفته می شود . اگر شبکه ساخته شده به جواب مطلوب همگرا نشد و شبکه از خطای زیادی برخوردار بود ،تعداد نرونهای لایه مخفی را افزایش می دهند و اگر همگرا شد تعداد نرونهای مخفی کمتری را مورد آزمایش قرار می دهند. جهت صحت سنجی از معیار های عددی کمک گرفته می شود که به صورت ذیل می باشند.لازم بذکر است که در این تحقیق از نرم افزار Thinks Pro جهت مدلسازی شبکههای عصبی استفاده شده است.
