بخشی از مقاله
چکیده
به جهت استفاده مطلوب از منابع آبی کشور و با توجه به کثرت سدهای موجود و در دست اجرا در کشور، لزوم بهره برداری بهینه و استخراج قواعد بهره برداری مناسب از آنها نمایان می گردد. در این راستا با توجه به دقت و کارآیی بالای روش شبکه عصبی مصنوعی جهت پیش بینی رویدادها از این روش جهت استخراج دستورالعمل بهره برداری استفاده شده است.
در این بررسی میزان رهاسازی از مخزن سد در هر دوره براساس حجم مخزن در ابتدای همان دوره و میزان آب ورودی به مخزن در آن دوره و نیز میزان نیاز در آن دوره محاسبه گردیده است. بدین ترتیب با هر ترکیبی از موارد فوق می توان حجم مناسب خروجی از سد در هر دوره را تعیین نمود. این تحقیق برای یکی از سدهای موجود در جنوب غربی کشور - سد کرخه - انجام پذیرفته و نتایج آن با نتایج یکی دیگر از روشهای کلاسیک موجود - روش رگرسیونی - مقایسه گردیده است. نتایج نشانگر دقت نسبتاﹰ مناسب این روش در این حوزه کاربرد می باشد.
۱- مقدمه
با توجه به کمبود و بحران آب در جهان و بخصوص در مناطق خشکی همچون ایران لزوم استفاده مناسب و بهره برداری بهینه از منابع آب همچون سدها از مسایل اساسی و قابل توجه می باشد. با توجه به اهمیت و حساسیت مسئله بهره برداری از مخازن سدها لزوم یافتن روشهایی مناسب جهت استخراج قاعده بهرهبرداری بهینه از این مخازن نمایان می گردد. بدین ترتیب در این مقاله سعی گردیده است تا با استفاده از روشی جدید در هر مرحله بهره برداری از سد با مشخص نمودن تراز مخزن در ابتدای هر دوره و مقدار نیاز در آن دوره و نیز پیش بینی مقدار آبدهی ورودی به مخزن، مقدار آب خروجی از سد را بگونهای تعیین نمود که بهترین شرایط را برای مجموعه فراهم آورد.
به این منظور ابتدا قاعده بهره برداری از مخزن - منحنی فرمان - برای یک دوره آماری و توسط روش برنامه ریزی پویا استخراج گردیده است و سپس نتایج حل این مدل جهت آموزش و آزمایش یک شبکه مصنوعی استفاده شده است. بدین ترتیب در نهایت با تهیه مدل شبکه عصبی مصنوعی امکان اتخاذ تصمیم در هر لحظه برای کاربر حتی در صورت وجود تغییرات در میزان آب ورودی به مخزن، حجم مخزن و نیازها و یا ترکیبی از این تغییرات میسر خواهد بود.
۲- سابقه مطالعات
دیدگاه جدید شبکههای عصبی در دهه چهل قرن بیستم میلادی مطرح شد. وارن مک کلوث - Warren McCulloch - و والتر پیتز - Walter Pitts - در سال ۳۴۹۱ شبکه ای با چند نرون ساده اما با قدرت محاسباتی قابل توجه تهیه کردند و نشان دادند که شبکه های عصبی می توانند هر تابع حسابی و منطقی را محاسبه کنند. کار این افراد را می توان نقطه شروع حوضه علمی شبکه های عصبی نامید. دونالد هب - Donald Hebb,1949 - ، کار آنها را با ارایه مکانیسمی جهت یادگیری نرونها، ادامه داد.
نخستین کاربرد عملی شبکه های عصبی در سال ۸۵۹۱، با معرفی شبکه پروسپترون١، توسط فرانک روزنبلات - Frank Rosenbalt - صورت گرفت. او و همکارانش شبکه ای ساختند که قادر بود، الگوها را از هم شناسایی کند. در سال ۰۶۹۱، برنارد ویدرو - Bernard Widrow - ، شبکه عصبی تطبیقی خطی آدالاین را با قانون یادگیری جدید مطرح کرد. هر دو شبکه پرسپترون و آدالاین٢ تک لایه بودند و توانایی محدودی در تخمین توابع داشتند. در دهه ۰۷ قرن بیستم، به واسطه محدودیت هایی که در شبکه های تک لایه وجود داشت، توجه کمتری به شبکه های عصبی شد.
در سال ۲۷۹۱ تئوکوهنن - Teo Kohenon - و جیمز اندرسون - James Anderson - هر یک بطور جداگانه، شبکه های را مطرح کردند که قادر بودند بعنوان عناصر ذخیره ساز عمل نمایند. در آن دهه، استفان گروسبرگ - Stefan Grossberg - ، در زمینه شبکه های خود سازمانده٣ مطالعه می کرد و به همراه کارپنتر - Carpenter - ، تئوری مرتب سازی و طبقهبندی اطلاعات٤ را شرح دادند.
با رشد تکنولوﮊی ریز پردازنده ها٥، در آغاز دهه ۰۸ میلادی، مطالعات در زمینه شبکه های عصبی، دوباره سیر صعودی به خود گرفت. در سال ۲۸۹۱، جان هاپفیلد - John Hopfield - ، فیزیکدان آمریکایی، شبکه هایی براساس وزن ثابت طراحی نمود که دارای حافظه مشارکتی بودند و قادر بودند مسایلی با قیدهای اولیه را حل کنند. سپس دیوید رامل هارت - David Rumelhart - و جیمز مکلند - James Mc Land - ، در سال ۶۸۹۱، الگوریتم »پس انتشار خطا«١ را ارایه کردند. این دو ایده اخیر، سبب تحول شگرفی در علم شبکه های عصبی شد.
در سالهای اخیر مقالات زیادی در زمینه کاربردهای شبکه های عصبی در علوم مختلف نوشته شدهاست و اکنون شبکه های عصبی در هر دو جهت تئوری و عملی در حال رشد می باشند.
۳- شبکه های عصبی مصنوعی
شبکه های عصبی مصنوعی از تعمیم یافتن مدلهای ریاضی شبکه های عصبی جانوران براساس فرضیات زیر توسعه یافته اند:
۱- پردازش اطلاعات در اجزایی بنام نرون٢ صورت می گیرد.
۲- اطلاعات بین نرون ها از طریق ارتباطات موجود بین آنها رد و بدل می گردد.
۳- هر یک از این ارتباطات، مشخصه یا وزنی٣ مختص به خود دارد که در اطلاعات انتقال یافته از یک نرون به نرون دیگر ضرب می شوند.
۴- هر نرون برای محاسبه خروجی خود، یک تابع تحریک٤ را که معمولاﹰ غیر خطی است، به ورودیهایش - جمع اطلاعات وزن دار شده - اعمال می نماید.
۵-هر شبکه عصبی براساس خصوصیات زیر مشخص می شود
الف - ساختار شبکه، که طریقه ارتباط بین نرون ها را نشان می دهد.
ﺏ - روش آموزش شبکه، که روش تعیین مقادیر وزن های رابط میان نرون هاست.
ﺝ - تابع تحریک هر نرون.
