بخشی از مقاله
خلاصه
در این تحقیق کاربرد شبکه عصبی در پیش بینی عمق آبشستگی در اطراف گروه پایه های سه تایی استوانه ای پل مورد بررسی قرار گرفت. پارامترهای مورد استفاده در طراحی این مدل شامل: قطر پایه - D - ، دبی جریان - Q - ، مختصات مکانی نقاط - X در امتداد طول کانال و Y در امتداد عرض - و عمق آبشستگی - Z - می باشد. نتایج نشان داد که مدل طراحی شده با دقت بالایی قادر به برآورد عمق آبشستگی است.
-1 مقدمه
یکی از عوامل مهم تخریب پل ها آبشستگی می باشدکه در اثر فرسایش بستر رودخانه بوسیله جریان آب و موادی که توسط آب حمل میشوند ایجاد می گردد و باعث انهدام پل می شود. لذا شناخت این پدیده و پیش بینی میزان عمق آبشستگی و لحاظ کردن آن در طراحی پلها بسیار ضروری است[5] .عمق ناشی از فرسایش بستر نسبت به بستر اولیه را عمق آبشستگی می نامند.[6] هنگامی که شرایط جریان به مرحله بحرانی برسد، مواد سست بستر در آستانه ی حرکت قرار می گیرند و اگر سرعت جریان از سرعت بحرانی تجاوز کند، ذرات رسوب در امتداد بستر شروع به حرکت خواهند کرد. در سرعت های بالاتر، ذرات رسوب بیشتری با سرعت افزایشی حرکت می کنند.
ممکن است بعضی از ذرات ریز رسوب به علت نوسانات سرعت در جریان های متلاطم، از بستر فاصله گیرند و همراه با جریان آب حمل شوند .[3] تحقیقات بسیاری برروی آبشستگی موضعی اطراف پایه پل انجام شده است، حال آنکه بدلیل گستردگی پارامترهای تاثیرگذار و پیچیدگی روابط بین آنها، اثر توامان همه پارامترها مقدور نمی باشد. لذا ارائه یک مدل ساده بر پایه شبکه عصبی، بدون نیاز به اصلاحات خاص،کمک شایانی به بررسی پدیده آبشستگی اطراف پایه پل خواهد نمود .
[4] تحقیقات اخیر در زمینه ی شبکه های عصبی نشان می دهد که این مدل ابزاری قدرتمند در پیش بینی متغیرهای وابسته می باشد. امروزه از این مدل به طور گستردهای در زمینههای مختلف تجاری، علمی و صنعتی استفاده می شود .[1] در تحقیق حاضر با استفاده از شبکه عصبی مصنوعی، مدلی ارائه شده است که با دقت بالایی می تواند عمق آبشستگی موضعی را در اطراف گروه پایههای سه تایی استوانه ای پل پیش بینی کند.
-2 شبکه عصبی مصنوعی1
شبکهی عصبی مصنوعی، یکی از روشهای محاسباتی است که به کمک فرآیند یادگیری2 و با استفاده از پردازشگرهایی بنام نرون تلاش میکند با شناخت روابط ذاتی بین دادهها، نگاشتی میان فضای ورودی - لایه ورودی - و فضای مطلوب - لایه خروجی - ارائه دهد. لایه یا لایههای مخفی، اطلاعات دریافت شده از لایه ورودی را پردازش کرده و در اختیار لایه خروجی قرار میدهند. هر شبکه با دریافت مثالهایی آموزش میبیند.
آموزش فرایندی است که در نهایت منجر به یادگیری می شود. یادگیری شبکه، زمانی انجام میشود که وزنهای ارتباطی بین لایهها چنان تغییر کند که اختلاف بین مقادیر پیشبینی شده و محاسبه شده در حد قابل قبولی باشد. با دست یابی به این شرایط فرایند یادگیری محقق شده است. این وزنها حافظه و دانش شبکه را بیان میکنند. شبکه عصبی آموزش دیده میتواند برای پیشبینی خروجیهای متناسب با مجموعه جدید دادهها بکار رود. با توجه به ساختار شبکه عصبی مصنوعی، ویژگی های عمده آن، سرعت بالای پردازش، توانایی یادگیری الگو به روش اراده الگو، توانایی تعمیم دانش پس از یادگیری، انعطاف پذیری در برابر خطاهای ناخواسته و عدم ایجاد اخلال قابل توجه درصورت بروز اشکال در بخشی از اتصال های به دلیل توزیع وزن های شبکه است .[7]
سادهترین و معمولترین نوع شبکه عصبی که در بسیاری از علوم مختلف از جمله تحقیق حاضر استفاده میگردد، شبکههای عصبی چندلایه پیشخور همراه با ناظر که از روش پسانتشار خطا برای آموزش کمک میگیرد، میباشد. در این شبکه تعداد نرونهای لایه ورودی برابر با تعداد عناصر بردار ورودی و تعداد نرونهای لایه خروجی برابر با تعداد عناصر بردار خروجی میباشد. آنالیز دقیق و واقعی برای پیدا کردن تعداد نرونهای لایه میانی در کل بسیار پیچیده است. اما میتوان گفت که تعداد نرونهای لایه میانی تابعی از تعداد عناصر برداری ورودی و همچنین حداکثر تعداد نواحی از فضای ورودی که به طور خطی از هم قابل تفکیک میباشد. از این رو تعداد نرونهای لایه مخفی عموما بطور تجربی بدست میآید. هر نرون توسط خروجیاش به نرونهای لایه بعد متصل است، ولی با نرونهای لایه خودش ارتباط ندارد.
در روش شبکههای عصبی مصنوعی غالبا مدل در دو مرحله تهیه میگردد. مرحله اول آموزش شبکه است که بر اساس تعدادی از دادههای اندازهگیری شده - حدود70 درصد کل دادهها - انجام میپذیرد. در مرحله دوم مدل با حدود 20 تا 30 درصد مقادیر اندازهگیری شده صحتسنجی میگردد. در مدلسازی به کمک شبکههای عصبی مصنوعی بسته به متغیرهای ورودی و ارتباط آنها با پارامتر موردنظر، حدود 10 درصد اطلاعات را برای تست و ارزیابی مدل و برآورد نقاط بحرانی مانند نقطه عطف و یا نقاط حداکثر و حداقل یک منحنی استفاده میگردند. البته این دادهها نبایستی در مراحل آموزش و صحتسنجی استفاده شده باشند. امروزه این روش کاربرد وسیعی در علوم مختلف دارد. در مهندسی آب و هیدرولیک نیز از این روش در سالهای اخیر بسیار زیاد استفاده شده است.
-3 روش تحقیق
در این تحقیق از داده های آزمایشگاهی جهت طراحی و تست مدل شبکه عصبی استفاده شد. تحقیقات آزمایشگاهی در قسمتی از مسیر مستقیم کانال پیچانرود مؤسسه تحقیقات آب وزارت نیرو به طول 80 متر، عرض 3 متر و عمق 1 متر انجام شد. این آزمایش ها که بر روی گروه پایه های سه تایی استوانه ای پل، واقع در امتداد جریان و در شرایط آب زلال صورت گرفت، در 3 اندازه قطر مختلف پایه 6 - ، 8 و 10 سانتی متر - و هر قطر در سه دبی 50 - ، 65 و80 لیتر بر ثانیه - انجام شد. سایر عوامل موثر بر آبشستگی موضعی در همهی آزمایشها یکسان گرفته شد.
برداشتها و اندازهگیری های مربوط به پروفیل بستر و عمق آبشستگی، پس از گذشت زمان 360 دقیقه از شروع آزمایشها، بوسیله دستگاه برداشت توپوگرافی بستر لیزری1 و نیز اندازه گیرهای نقطه ای2 انجام گرفت .[2] در مجموع از این 9 آزمایش، حدود 40000 سری اطلاعات بدست آمد که در مدلسازی توسط شبکه عصبی بکار گرفته شد. هر سری از این اطلاعات شامل قطر پایه - D - ، دبی جریان - Q - ، مختصات مکانی X - در امتداد طول کانال و Y در امتداد عرض - و عمق آبشستگی - Z - می باشد که Y , X , Q , D بعنوان ورودیهای مدل و Z بعنوان خروجی انتخاب گردید.
با توجه حجم بسیار بالای اطلاعات و با آگاهی از قابلیتهای شبکه عصبی، مدلی طراحی شد که قادر به پیش بینی عمق آبشستگی با دقت بسیار بالا می باشد. از آنجا که شبکه طراحی شده با این جحم داده قادر به مدلسازی نبود، به جای طراحی یک شبکه با استفاده از40000 داده،11 شبکهی مجزا با حدود 3000 داده طراحی گردید که هر کدام از این شبکهها در محدودهی معینی از طول کانال اعتبار داشتند و فقط برای پیش بینی در همان محدوده بکار می رفتند. با لینک کردن این شبکههای کوچک به یکدیگر، مدل نهایی بدست آمد که با دقت بسیارخوبی قادر به تخمین عمق آبشستگی در کل طول کانال بود.
در تحقیق حاضر برای طراحی هریک از 11 شبکه مذکور ، از شبکههای چند لایه پیشخور همراه با ناظر که از روش پسانتشار خطا برای آموزش کمک میگیرند، استفاده شد. تابع سیگموئید که بیشترین استفاده را در مسائل مهندسی دارد بعنوان تابع انتقال انتخاب گردید. پس از مرتب سازی 40000 سری اطلاعات برحسب X و تقسیم آن ها به 11 بخش، حدود 60 درصدکل داده ها در آموزش شبکه بکار گرفته شد.
سپس مدل با حدود 20 درصد مقادیر اندازهگیری شده، صحت سنجی شد و در نهایت با 20 درصد دادهها مورد تست و ارزیابی قرار گرفت. لازم به ذکر است که هر یک از این 11 شبکه، با داده های مربوط به همان بخش مورد آموزش، صحت سنجی و تست قرار گرفت. با ایجاد تغییر در تعداد لایههای پنهان، تعداد گرههای لایههای پنهان و تعداد تکرار حین آموزش شبکه، بهترین ساختار شبکه بمنظور دستیابی به کمترین میزان خطا مطابق جدول 1 بدست آمد. به منظور بالابردن هر چه بیشتر دقت مدل، مقادیر اندازه گیری شدهی Z در عدد 100 ضرب گردید و در هر سه مرحله آموزش، صحت سنجی و تست از این مضارب بجای مقادیر اندازه گیری شده استفاده شد.
