بخشی از مقاله
چکیده:
پیش بینی و برآورد دقیق رواناب مستقیم به عنوان مهترین چالش در فرآیند مدیریت و مهندسی منابع آب، در عمل کار بسیار پیچیده ای است و تاکنون روشهای تجربی و فیزیکی متعددی برای برآورد آنها ارائه شده است. در دهه اخیر استفاده از مدلهای هوشمند شبکههای عصبی مصنوعی به دلیل قابلیت آنها در شبیه سازی و تخمین توابع غیر خطی، در مدلسازی فرآیندهای پیچیده هیدرولوژی، ازجمله فرآیند بارش- رواناب افزایش یافته است. در این پژوهش، با توجه به اینکه ارتباطات شبکههای عصبی و شبکه آبراهه ها هر دو ساختار شبکهای دارند و یک سیگنال را از ورودی به خروجی تطبیق میدهند یک مدل شبکه عصبی مصنوعی مبتنی بر خصوصیات ژئومورفولوژیکی - GANN1 - حوضه صوفی چای واقع در شمال غرب ایران ایجاد گردید.
این مدل به صورت یک شبکه پرسپترون سه لایه با تعداد لایه های میانی برابر با تعداد مسیرهای ممکن جریان، طراحی شد که در آن، وزن بین لایه های میانی و لایه خروجی از طریق مقادیر احتمال مسیرهای ممکنه جریان در شبکه هیدرولوژی حوضه، تعیین گردید. نتایج نشان داد ارتباط تنگاتنگی بین عوامل ژئومورفولوژیکی و هیدرولوژیکی وجود دارد و استفاده از خصوصیات ژئومورفولوژیکی در ساختار شبکه های عصبی مصنوعی باعث افزایش عملکرد این مدل در تعیین رواناب مستقیم به عنوان پاسخ هیدرولوژیکی حوضه نسبت به بارش مازاد میگردد.
مقدمه
پیش بینی و برآورد دقیق رواناب مستقیم یک رودخانه به عنوان یک فرآیند غیر خطی و مهترین چالشها در فرآیند مدیریت و مهندسی منابع آب، در عمل کار بسیار پیچیده ای است و تاکنون روشهای تجربی و فیزیکی متعددی برای برآورد آنها ارائه شده است. در دهههای اخیر مطالعات بیشتر بر روی روشهای الهام گرفته شده از طبیعت همچون شبکههای عصبی مصنوعی سوق داده شده است بطوری که میتوان با این ابزار هوشمند و منعطف، ارتباط بین متغیرهای بارش و رواناب بدون آگاهی از فیزیک سیستم استخراج و بررسی نمود.
مطالعاتی زیادی در این زمینه در سطح جهان و ایران صورت گرفته است از جمله هالف و همکاران - 1993 - ،آنمالا و همکاران - 2000 - ، بریکونداوی و همکاران - - 2002، کومار و همکاران - 2005 - ، مووتلو و همکاران - 2008 - ، دمیرال و همکاران - 2009 - ، بیسوا و همکاران - 2010 - ، سلطانی - 1381 - ، ذاکر مشفق - 1382 - ، جهانگیری و همکاران - 1387 - ، شیرزاد و همکاران - 1388 - و زارع بیات . - 1389 - با این حال یکی از مهمترین سوالاتی که در مدلبندی شبکه های عصبی برای شبیهسازی فرآیندها همچون بارش - رواناب ایجاد میشود این است که از چه معماری برای نگاشت فرآیندها میتوان به طور موثری بهره برد و یک قانون ثابتی برای انتخاب بهینه ترین ساختار از شبکه که بالاترین عملکرد را داشته باشد وجود ندارد و در اکثر موارد، با تکیه بر تجربیات پیشین یا با استفاده از فرآیند سعی و خطا تعیین می-شود در صورتی که در مدل شبکه عصبی ژئومورفولوژیکی که در آن بهترین ساختار شبکه براساس خصوصیات ژئومورفولوژیکی حوضه و احتمالات مربوط به مسیرهای هیدرولوژیکی تعریف میشود میتواند بعنوان رهیافتی جدید جهت دسترسی به بهترین عملکرد در کمترین زمان باشد ژانگ و گووین داراجو - 2003 - دو مدل شبکه عصبی مصنوعی و هیدروگراف واحد لحظهای ژئومورفولوژی را با یکدیگر ادغام نموده و مدل جدیدی تحت عنوان شبکه عصبی ژئومورفولوژی - GANN - را بسط دادند.
در این مدل، نرونهای لایه ورودی بر اساس پارامترهای بارش مازاد ، جریان سطحی و زیر سطحی و بارش نفوذ یافته تعریف گردید که در آن تعداد نرونهای مربوط به باران مازاد از قبل تعیین و معادل زمان تمرکز حوضه در نظر گرفته شد. نتایج این مطالعه نشان میدهد که هیدروگرافهای برآورد شده توسط مدل شبکه عصبی مبتنی بر ژئومورفولوژیک حوضه هماهنگی خوبی با هیدروگرافهای مشاهداتی دارد. حسینی و نجفی - 1384 - کارایی دو مدل ژئومورفولوژیکی GANN و GIUH جهت شبیهسازی هیدروگراف سیلاب در حوضه معرف کسیلیان بر اساس ده واقعه بارش - رواناب مورد ارزیابی قرار دادند.
ایشان در مدل GANN، احتمالهای مسیرهای ممکنه جریان که تشکیلدهنده وزنهای ارتباطی بین لایه میانی و خروجی میباشند را بعنوان مقادیر اولیه وزنها در مرحله شروع1 در نظر گرفتند بطوری که طی فرآیند آموزش، باز آفرینی2 گردیدند. در این بررسی، مدل GIUH، در برآورد کلی هیدروگراف عملکرد ضعیفتری داشته در حالی که مدل GANN در تمامی وقایع، در تعیین شکل هیدروگراف، زمان تا اوج، دبی اوج و شبیه سازی بازوی بالا و پایینرونده هیدروگراف دارای هماهنگی بیشتری با دادههای مشاهداتی میباشد. نصیری و یمانی - 1388 - در مطالعهای مشابه، به برآورد رواناب به تجزیه و تحلیل روابط بارش- رواناب بر اساس دادههای ژئومورفولوژی و شبکه عصبی در حوضه امامه پرداختند. ارزیابی نتایج حاکی از عملکرد مناسب شبکه عصبی ژئومورفولوژیکی در تعیین پاسخهای هیدرولوژیکی حوضه مورد مطالعه میباشد.
با بررسی تحقیقات حاضر، میتوان نتیجه گرفت، زمانی که عوامل ژئومورفولوژی حوضه در غالب معادلات غیرخطی با عوامل هیدرولوژی حوضه در مدلسازی بارش- رواناب وارد میشوند نتایج مطلوبتری نسبت به زمانی که از دادههای هیدرولوژی در غالب مدلهای ساده استفاده شود، حاصل میگردد و این نتیجه نشان دهنده روابط تنگاتنگ بین عوامل ژئومورفولوژیکی و هیدرولوژیکی در طبیعت است. بنابراین هدف از این تحقیق توسعه مدل شبکههای عصبی مصنوعی بر پایه مدل هیدروگراف واحد لحظهای ژئومورفولوژیکی و بررسی دقت و صحت این مدل در تعیین شکل و ابعاد هیدروگراف خروجی در حوضه صوفی چای میباشد.
مواد و روشها
منطقه مورد مطالعه
حوضه آبریز صوفیچای در مختصات جغرافیایی 46 03' تا 46 30' طول شرقی و'37 08 تا 37 44' عرض شمالی و در جنوب غربی استان آذربایجان شرقی با مساحتی معادل 265 کیلومتر مربع واقع شده است. شکل هندسی این حوضه کشیده و ارتفاع حداکثر و حداقل آن به ترتیب 3460 و1550 متر از سطح دریا میباشد. برای استخراج اطلاعات مورد نیاز، کاغذهای باران نگار ثبات در مراغه و لیمینیگراف مربوط به رواناب رودخانه در ایستگاه هیدرومتری تازهکند، از سازمان آب منطقهای استان آذربایجان شرقی اخذ گردید. در هر رویداد پس از تخمین تلفات، با استفاده از شاخصφ، بارش موثر جریانساز با فواصل زمانی 15 دقیقهای بدست آمد. همچنین عرضهای هیدروگراف سیل ناشی از بارشی معین در فواصل زمانی یک ساعته با استفاده از روش ترسیمی از دبی پایه جدا شد.
برخی از رویدادها به علت وجود دادههای مشکوک در هیدروگرافها و هیتوگرافها یا عدم همخوانی بین حجم بارش با رواناب متناظر، حذف شدند و در نهایت، 6 رویداد رگبار با سیلاب متناظر انتخاب گردید که از بین آنها رویدادهای بارش - رواناب مورخه - 1381/1/18 - ، - 1383/2/12 - ، - 1384/1/27 - و - 1389/2/12 - که دارای ابعاد بزرگتری بودند، برای آموزش و از دو رویداد دیگر، - 1383/2/4 - و 1386/2/31 - با - ابعاد متوسط که قبلاً در شبکه وارد نشده بودند، برای شبیهسازی3 و بررسی عملکرد شبکه مورد استفاده قرار گرفتند. برای استخراج خصوصیات ژئومورفولوژیکی حوضه مربوطه از نقشه DEM و جعبه ابزار Arc Hydro در نرم افزار Arc GIS استفاده گردید. با توجه به وضعیت توپوگرافی منطقه و تراکم آبراهه ها، بزرگترین مرتبه حوضه مورد مطالعه معادل =4 بدست آمد. مشخصات آبراهه های استخراج شده حوضه آبریز صوفیچای در جدول زیر ارائه شده است.
