بخشی از مقاله
چکیده
در این تحقیق از سیستم هوشمند شبکه عصبی - ANN - با ساختار پرسپترون چندلایه برای برآورد تغییرات سطح ایستابی آبخوان یزدگرد استفاده شده است. برای مدل کردن آبخوان از ۰۱ پارامتر ورودی به عنوان عوامل موثر بر سطح ایستابی استفاده شده است.
به منظور امکان سنجی استفاده از شبکههای عصبی با ساختار پرسپترون چند لایه بر برآورد سطح ایستابی، در مجموع ۴۲ آرایش مختلف شبکه مورد ارزیابی قرار گرفت. در هر آرایش، تعداد تکرارهایی که بالاترین مقدار R2 را تولید میکرد بعنوان تکرار بهینه گزینش گردید. در نهایت مناسبترین مدل ANN از میان ۴۲ آرایش ارزیابی شده برای برآورد تغییرات سطح ایستابی آبخوان یزدگرد، آرایشی با ۲ لایه پنهان و دو نرون در هر لایه یعنی ساختار ۱-۲-۲-۰۱ که با R2 برابر با ۹/۰ و RMSE برابر با ۳۴۱/۰، نوسانات سطح ایستابی آبخوان یزدگرد را پیشبینی میکند، به عنوان مدل بهینه انتخاب گردید.
۱- مقدمه
آبهای زیر زمینی همواره به عنوان یکی از منابع مهم و عمده تامین آب شرب و کشاورزی بویژه در مناطق خشک و نیمه خشک مطرح بوده است. این منابع عموما از کیفیت بالایی برخوردار بوده و معمولا نیاز به تصفیه شیمیایی ندارند. از آنجایکه شرایط محیطی آبخوانها مناسب رشد و نمو و ادامه حیاط موجودات ذره بینی و باکتریها نمیباشند، بنابراین آبهای زیر زمینی عموما فاقد عوامل بیماریزا میباشند. مجموعه عوامل یادشده سبب شده است که از آبهای زیرزمینی به عنوان یکی از منابع مهم و قابل اطمینان در تامین نیاز آبی موارد مختلف مصرف در برنامهریزی منابع آب بکار گرفته شود.
مخازن آبهای زیر زمینی - آبخوان - سیستم پیچیدهای بوده که همواره در معرض عوامل طبیعی و یا مصنوعی ناشی از فعالیتهای انسانی قرار دارند. هر یک از عوامل موثر بر آبخوانها باعث ایجاد تنشهایی در مقاطع زمانی مختلف بر کل سیستم آبخوان میشود که برآیند تاثیر این عوامل در مجموع به عنوان نوسانات سطح آبخوان مورد ملاحظه قرار میگیرد. متوسط نوسانات سطح آبخوان و یا به عبارتی تغییرات حجم مخازن، نتیجه تاثیر مجموعه عواملی است که در محاسبات بیلان آب زیرزمینی به عنوان عوامل بیلان مطرح میگردند. این عوامل در دو مجموعه کلی عوامل تغذیه و عوامل تخلیه مورد تحلیل قرار گرفته که در نتیجه جمع جبری آنها تغییرات حجم مخزن آبرفتی - معادله بیلان - در مقاطع زمانی مورد نظر قابل برآورد میباشد.
به منظور بهرهبرداری و مدیریت آب زیرزمینی به عنوان بخشی از تامین کننده نیاز آبی، احتیاج به توسعه مدل هایی بوده که بتواند با دقت برآوردی مناسب روند تغییرات سطح آب آبخوان را پیشبینی نماید. امروزه بدلیل توسعه و پیشرفت کامپیوتر، استفاده از مدل های ریاضی در بهرهبرداری از آب آبخوانهای زیرزمینی گسترش چشمگیری یافته است. مشکل عمدهای که هم اکنون کاربران و تهیهکنندهگان این مدل ها با آن مواجه میباشند، نیاز این مدل ها به اطلاعات دقیق و متنوع ورودی میباشد. همچنین حجم زیاد محاسبات در این مدل ها و نیاز به زمان زیاد در هر بار اجرای مدل سبب میشود تا استفاده از مدل برای بررسی سناریوهای مختلف بهرهبرداری زمانبر، دشوار و گاهی غیر ممکن باشد.
از آنجاییکه تعداد عوامل موثر بر بیلان آبخوان زیاد بوده و عموما از ماهیت متغیر و نامتجانس محیطی برخوردار هستند، لذا چنانچه بتوان بدون توجه به عملکرد درونی سیستم، به یک ارتباط منطقی بین عوامل بیلان آبخوان دست یافته که قادر باشد با دقت تخمینی مناسب میزان تغییرات حجم مخزن آبرفتی یا به عبارتی دیگر معادله بیلان را برآورد نماید، گام موثری در تخمین مناسبتر میزان تغییرات حجم مخازن آبرفتی و برنامهریزی بهینهتر منابع آب خواهد بود.
شبکههای عصبی مصنوعی که برگرفته از شبکههای عصبی بیولوﮊیک میباشند، میتوانند در حل مسائلی نظیر مسئله فوق کمک نمایند. این شبکهها که جزﺀ سیستم های هوشمند به حساب میآیند اکنون با ساختارهای متنوع و وسیعی در بسیاری از علوم از جمله علوم مرتبط با آب گسترش یافتهاند. بطور کلی میتوان گفت چنانچه در هر مسئله نیاز به یادگیری یک نگاشت خطی یا غیر خطی بین دو فضای خاص باشد، این شبکهها میتوانند به نحو مطلوب ای تبدیل را انجام دهند.
در تحقیق حاضر امکان استفاده از شبکه عصبی مصنوعی با ساختار پرسپترون چند لایه برای پیشبینی نوسانات سطح ایستابی آبخوان یزدگرد مورد مطالعه قرار گرفته است.
۲- شبکههای عصبی مصنوعی
ساختار کلی شبکههای عصبی مصنوعی از شبکه عصبی انسانی الهام گرفته و تقریبا قادر به انجام عملیات همانند سیستم های عصبی زیستی ولی در اندازه و ابعاد بسیار ابتدایی هستند. این سیستم ها با پردازش دادههای موجود، قانون نهفته در ورای آنها را به ساختار شبکه منتقل و در آن حفظ کرده و به همین دلیل بعضا آنها را هوشمند مینامند. مدل پایه شبکه عصبی مصنوعی برای اولین بار توسط کولاچ و پیتس در سال ۳۴۹۱ میلادی ارائه گردید، از آن زمان تاکنون در حدود ۰۳ مدل شبکه عصبی با ساختارهای مختلف پیشنهاد گردیده است. امروزه استفاده از شبکههای در علوم آب نیز گسترش یافته است.
این امر بدین علت است که شبکههای عصبی مصنوعی به خوبی قادر به مدل سازی فرآیندهای پیچیدهای میباشند که تعداد عوامل تأثیرگذار در آنها زیاد است. از جمله تحقیقات صورت گرفته در زمینه استفاده از شبکههای عصبی در علوم آب میتوان به تعیین پارامترهای آبخوان با استفاده از یک مدل ANN توسط عزیز و ونگ - ۲۹۹۱ - ، پیشبینی ضریب زبری لوله با بکار گیری یک مدل ANN با ساختار پرسپترون چند لایه توسط شایا و سبلانی - ۸۹۹۱ - ، برآورد رقوم سطح آب زهکش زیرزمینی با استفاده ANN توسط یانگ و هکاران - ۷۹۹۱ - ، پیشبینی منحنی دبی رسوب رودخانه میسیسیپی با استفاده از یک مدل ANN با ساختار پرسپترون چند لایه توسط جین - ۱۰۰۲ - ، بررسی عملکرد مدل ANN با ساختار پرسپترون چند لایه برای برآورد عمق آبشستگی پایههای پل توسط منتظر و همکارن - ۱۸۳۱ - و تعیین پارامترهای جهش هیدرولیکی واگرا در مقاطع مستطیلی و ذوزنقهای توسط اسمعیلی ورکی و همکاران - ۲۸۳۱ - اشاره کرد. از آنجایکه در این تحقیق از شبکه عصبی با ساختار پرسپترون چند لایه برای برقراری نگاشت یادشده استفاده گردید، در ادامه به معرفی این ساختار از شبکههای عصبی مصنوعی میپردازیم.
١-٢- شبکه عصبی مصنوعی با ساختار پرسپترون چند لایه
شبکه عصبی مصنوعی با ساختار پرسپترون چند لایه بطور کلی از سه لایه و هر لایه از تعدادی واحد پردازش بنام نرون - سلول، واحد و یا گره - تشکیل شده است - شکل ۱ - . اولین لایه هر شبکه را لایه ورودی میگویند که در این لایه بردارهای دادههای ورودی نگاشت مورد نظر قرار میگیرد.
لایه آخر هر شبکه به لایه خروجی معروف بوده که در این لایه بردارهای خروجی نگاشت استقرار مییابد. همچنین هر پرسپترون از تعدادی لایه میانی که لایه های پنهان نامیده میشوند، تشکیل شده است
