بخشی از مقاله
چکیده
در سالهای اخیر با پیشرفتهای چشمگیری که در زمینههای مختلف هوش مصنوعی که شبکههای عصبی مصنوعی از آن جمله میباشند، توجه بسیاری به استفاده از این شبکهها در پیش بینی و تخمین پارامترها در بسیاری از مسائل مختلف علمی و مهندسی شده است. اساس کار این شبکهها بر پایه حل مساله با استفاده از وقایع اتفاق افتاده در گذشته میباشد. آمادهسازی دادههای آموزش و آزمون اولین قدم در استفاده از شبکههای عصبی مصنوعی میباشد.
سپس ساختار مدل شبکه عصبی مصنوعی با تعریف تعداد لایههای مخفی و تعداد نرونها در هر یک از آنها و انتخاب تابع تحریک مشخص می گردد. سرانجام با در نظر گرفتن روشی برای بدست آوردن وزن بهینه نقاط، شبکه نهایی با عمل سعی و خطا بدست میآید. در این تحقیق از ساختار MLP استفاده شده است. از دادههای مربوط به میزان آب ورودی به سد دز در جنوب غرب ایران در طول دوره تاریخی استفاده شده است.
۱‐ مقدمه
مدیریت منابع آب در عصر حاضر از اهمیت ویژهای برخوردار شده است و مخازن بعنوان اساسیترین رکن در هر سیستم منابع آب، مورد توجه واقع شدهاند. مدیریت مخزن به عوامل متعددی از جمله پایداری سازه سد، نیازهای پایین دست از قبیل شرب، کشاورزی و صنعت و تولید انرﮊی برق و غیره بستگی دارد. مدیریت مخزن باید بگونهای باشد تا علاوه بر تامین نیازهای فوق، از لحاظ اقتصادی حداکثر سوددهی را در بر داشته باشد. وجود چنین پارامترهایی مدیریت مخزن را پیچیده مینماید.
روشهایی که تا کنون جهت بهرهبرداری از مخزن استفاده شدهاند، بر مبنای معادله پیوستگی میباشند. پارامترهای اصلی در این معادله ظرفیت ذخیره مخزن، میزان ورودی، تقاضا و تلفات میباشد. در این روشها هدف بهینه کردن حجم ذخیره مخزن در طول دوره بهرهبرداری میباشد. در سالهای اخیر با پیشرفتهای چشمگیری که در زمینههای مختلف هوش مصنوعی که شبکههای عصبی مصنوعی از آن جمله میباشند، توجه بسیاری به استفاده از این در پیش شبکهها بینی و تخمین پارامترها در بسیاری از مسائل مختلف علمی و مهندسی شده است. اساس کار اینبرشبکهها پایه حل مساله با استفاده از وقایع اتفاق افتاده در گذشته میباشد.
۲‐ شبکههای عصبی مصنوعی
شبکههای عصبی مصنوعی در واقع مدل ساده شدهای از مغز انسان میباشند. هر شبکه عصبی در واقع یک ساختار ریاضی غیر خطی است که توانایی نشان دادن فرایندها و ترکیبات دلخواه غیر خطی جهت ارتباط بین ورودیها خروجیهای هر سیستمی را داراست. این شبکه با دادههای موجود طی فرایند یادگیری، آموزش دیده و جهتدر پیشبینی آینده مورد استفاده قرار میگیرد. هر شبکه از تعدادی لایه متشکل از تعدادی نرون تشکیل شده است. نرونها کوچکترین واحد سازنده شبکه عصبی میباشند و حکم سلولهای مغز انسان را دارند. هر شبکه از یک لایه ورودی و یک لایه خروجی و یک یا چند لایه میانی تشکیل شده است.
نرونهای هر لایه بوسیله وزنهایی به نرونهای لایه بعدی متصل میشوند. طی فرایند آموزش شبکه، این وزنها و مقادیر ثابتی که با آنها جمع میشوند و اصطلاحاﹲ بایاس خوانده میشوند بطور پیاینکهدر پی تغییر میکنند تا خطاها به کمترین مقدار برسند. برای انتقال خروجیهای هر لایه به لایههای بعدی از توابع تحرک استفاده میشود. از توابع تحریک معروف میتوان توابع سیگموئیدی، خطی و آستانهای را نام برد.
روشی که جهت دستیابی وزنها و بایاسها به مقداری مطلوب و نهایی اتخاذ میگردد، قانون یادگیری نام دارد. قانون یادگیری در واقع یک الگوریتم ریاضی پیچیده میباشد. برای بوجود آوردن هر شبکه حداقل دو سری داده آموزش و آزمون مورد نیاز میباشد. حدود ۰۸ درصد دادهها صرف سری آموزش و مابقی صرف سری تست میگردند. در طی فرایند یادگیری شبکه بطور مرتب توسط توابع هدف سنجیده میشود و در نهایت شبکهای مورد پذیرشکه قرار میگیرد دارای کمترین میزان خطا و بیشترین ضریب نیکویی برازش باشد.
۳‐ روش کار
هدف از انجام این تحقیق بکارگیری شبکه عصبی در تعیین میزان جریان ورودی به مخزن سد دز بود. سد دز یک از قدیمی ترین و تاثیر گذارترین سدهای ایران از لحاظ تولید انرﮊی برقآبی میباشد. دادههای مورد استفاده در این تحقیق میزان آب ورودی به مخزن در طی سالهای ۲۴۳۱ الی ۴۸۳۱ بوده است. برای هر ماه یک شبکه بطور مجزا با استفاده از دادههای متوسط ده روزه تهیه گردید. از سه دسته ورودی یعنی دبی دهه قبل، دبی دو دهه قبل و دبی سه دهه قبل جهت تخمین دبی ورودی استفاده شد و شبکه موردشبکهاستفاده، پرسپترون یک لایه با سه ساختار ۵، ۰۱ و ۵۱ گره در لایه میانی بوده است. بنابراین تعداد ۸۰۱ شبکه آموزش داده شد.
۴‐ نتیجه گیری
از آنجاییکه هدف از انجام این تحقیق بررسی کارایی شبکه عصبی در مدل کردن آب ورودی به مخزن سد بوده است، با توجه به جدول ۱ نتایج زیر بدست آمد:
۱‐ شبکه تنها در ماههای خشک سال نتایج قابل قبولی بدست میدهد و در دیگر ماهها از دقت کافی برخوردار نیست.
۲‐ افزایش تعداد گرههای لایه میانی تاثیر چندانی در بهبود روند یادگیری شبکه نداشته است.
۳‐ در مورد ورودیهای استفاده شده جهت آموزش شبکه، ورودی مربوط به یک و دو دهه قبل نتایج بهتری نسبت به سه دهه قبل داشته است.
۴‐ ورودی شبکه برای اکثر ماهها یک دهه قبل و فقط برای ماههای مهر و آبان دو دهه قبل مناسب تشخیص داده شد.
