بخشی از مقاله
خلاصه
روندیابی سیل در حقیقت تخمین هیدروگراف سیل در پاییندست بوده و یکی از مراحل اصلی هشدار سیل به شمار میآید. در این تحقیق از اطلاعات دبی ساعتی و بارندگی وقایع سیل در بازهاي از رودخانه مارون در دوره قبل از احداث سد استفاده شده است. به مدل شبکه عصبی آموزش داده شد با استفاده از هیدروگراف سیل ایستگاه ایدنگ و اطلاعات بارندگی، هیدروگراف ایستگاه بهبهان را پیشبینی کند. همچنین با پیشبینی هیدروگراف سیل در ایستگاه پاییندست سد مخزنی مارون بدون در نظر گرفتن سازه سد، میزان مهار سیل توسط سد و کاهش دبی اوج سیلاب در پاییندست بدست آمد.
کلمات کلیدي: روندیابی سیل، شبکه عصبی، سد مخزنی مارون
.1 مقدمه
روندیابی جریان شبیهسازي شده از مدل هیدرولوژیکی یکی از مراحل مهم در سیستمهاي هشدار سیل میباشد. در بهرهبرداري موثر و مطمئن از یک سیستم هشدار سیل، سرعت اجرا و پایداري سیستم از اهمیت خاصی برخوردار است. مدلهاي هیدرودینامیکی یک بعدي و دو بعدي موجود براي حل معادلات عددي سنت-ونانت و پیوستگی، با در نظر گرفتن جریانهاي برگشتی و جریانهاي جانبی با مشکلاتی مانند ناپایداري و زمان زیاد محاسبات در حل عددي معادلات مواجه خواهند بود. بنابراین استفاده از شبکههاي عصبی مصنوعی به عنوان راه حلی ساده و آسان در این زمینه، قابل طرح می باشد . - 1 -
استفاده از شبکههاي عصبی مصنوعی در زمینه پیشبینی و روندیابی سیل در دهه اخیر رونق فراوانی یافته است. به عنوان مثال مدرس از شبکه عصبی مصنوعی وآزمون اعتبارسنجی چند معیاري براي شبیهسازي جریان در حوضه پلاسجان در غرب زاینده رود استفاده کرد و در سنجشی چند معیاره، مدل شبکه عصبی مصنوعی با چهار لایه پنهان را مناسبتر از سایر مدلهاي شبکه عصبی و مدل رگرسیونی دانست - . - 2 حمیدي و امامقلی با استفاده از شبکه عصبی مصنوعی و با به کارگیري دادههاي باران سنجی، درجه حرارت و دبی ماهانه ایستگاه هیدرومتري ایدنک به پیشبینی آبدهی رودخانه مارون پرداختند. بدین منظور آنها از مدل Qnet با تابع محرك سیگموئید استفاده نمودند که در مرحله آموزش و مرحله صحتیابی به ترتیب ضریب همبستگی 0/52 و0/66 بدست آمد - . - 3
قلخانی و همکاران کاربرد شبکه عصبی مصنوعی را در شبیهسازي فرآیند روندیابی سیلاب حوضه تنگراه مورد بررسی قرار دادند. ایشان با استفاده از برنامه نویسی در محیط نرم افزار MATLAB، مدل هیدرولوژیک را بارها تحت شرایط متفاوت از لحاظ مقدار، شدت و توزیع زمانی بارش، ارزیابی نمودند. سپس هیدروگرافهاي تولیدي به مدل روندیابی HEC–RAS وارد نمودند و در نهایتروندیابی تحت شرایط غیر دائمی انجام و مقادیر تراز سطح آب و دبی ایستگاه پاییندست استخراج شد. با سريهاي زمانی بدست آمده از مجموع عملیات فوق، شبکه عصبی مصنوعی مختلفی تهیه و مورد ارزیابی قرار دادند. نتایج نشان دادند اعتمادپذیري جایگزینی مدل شبکه عصبی مصنوعی به جاي مدل هیدرولیکی موفقیتآمیز است - . - 1
رضایی با کمک شبکه عصبی مصنوعی به تخمین روندیابی سیل در حوضه رودخانه کارون در بازه ملاثانی- اهواز پرداخت. وي همان روندیابی را با روش ماسکینگهام کونژ نیز تکرار کرد و نتایج حاصله را با نتایج به دست آمده از شبکه عصبی مورد مقایسه قرار داد. مقایسه نتایج نشان میداد که در تخمین پیکهاي هیدروگراف، روش ماسکینگهام کونژ از دقت نسبتا بالایی برخوردار است اما در کل،دقت آن در بازوهاي بالا رونده و پایین رونده نسبت به مدل شبکه عصبی مصنوعی کمتر است - . - 4 حسینی و همکاران تواناییهاي شبکه عصبی مصنوعی در زمینه روندیابی سیلاب را بررسی نمودند. پس از تجزیه و تحلیل اطلاعات متعدد، مشخص گردید که شبکه عصبی پرسپترون سه لایه با دو سلول در لایه پنهان و تابع فعالیت سیگموئید، میتواند به نتایج خوبی در زمینه روندیابی سیلاب منجر گردد.
مقایسه نتایج حاصل از ساختار پیشنهادي با نتایج حاصل از روش ماسکینگام خطی نشان داد که علیرغم ضعف روش شبکه عصبی در تضمین بقاي جرم، در رابطه با سایر خطاها نظیر مجموع مربعات خطا و یا پیشبینی دبی و زمان اوج هیدروگراف خروجی، شبکه عصبی مصنوعی با ساختار پیشنهادي میتواند بهتر عمل کند - . - 5در این تحقیق از اطلاعات دبی و بارندگی وقایع سیل در بازهاي از رودخانه مارون در دوره قبل از احداث سد براي آموزش شبکه عصبی مصنوعی استفاده میشود. شبکه عصبی مناسب براي مساله روندیابی انتخاب و فرآیند آموزش، صحت سنجی و آزمون صورت میگیرد. همچنین در این مطالعه سعی میشود با تخمین هیدروگراف سیل در ایستگاه پاییندست سد مخزنی مارون بدون در نظر گرفتن سازه سد، تاثیر سد مخزنی مارون بر کاهش دبی اوج سیلاب و خطرات ناشی از سیل در پاییندست مشخص شود.
.2 محدوده مطالعاتی و دادهها
منطقه مورد مطالعه در قسمت جنوبی ایران در استان خوزستان و کهگیلویه و بویراحمد در محدوده بین عرض جغرافیایی حدود 30-30درجه تا 30-20 درجه شمالی و طول جغرافیایی حدود 49-50 درجه تا 51-10 درجه شرقی در دامنههاي زاگرس واقع شده است که تحت عنوان حوضه آبریز سد مخزنی مارون از آن نام برده میشود. مساحت این منطقه حدود 3780 کیلومتر مربع بوده که توسط حوضههاي آبریز کارون و زهره احاطه شده است. محل سد مخزنی مارون با فاصله اندکی در بالا دست ایستگاه هیدرومتري بهبهان قرار گرفته است. محاسبات هیدرومتري رودخانه مارون در سه ایستگاه ایدنک، بهبهان و چم نظام انجام میگیرد. در تحقیق حاضر به روندیابی سیل حدفاصل ایستگاه هیدرومتري ایدنک و بهبهان پرداخته میشود.
ایستگاه هیدرومتري ایدنک در حدود 40 کیلومتري بالا دست محل سد مخزنی مارون بعد از شهرستان دهدشت و در بالا دست پل روستاي ایدنک واقع شده است. ایستگاه هیدرومتري بهبهان با فاصله کمی در پایین دست سد مخزنی مارون در نزدیکی روستاي تنگ تکاب قرار دارد. این ایستگاه در بین دو پیچ از رودخانه مارون در سال 1330 احداث شده است. در شکل - 1 - قسمت - الف - نماي کلی حوضه آبریز مارون ارائه گردیده است. همچنین نمایی از دریاچه سد مخزنی مارون به همراه ایستگاههاي هیدرومتري بالادست و پاییندست آن در قسمت - ب - نشان داده شده است.در این تحقیق از اطلاعات دبی ساعتی ایستگاه ایدنک و پیشینه بارندگی ایستگاه بهبهان در دوره قبل از احداث سد استفاده شدهاست.
به همین منظور از قرائتهاي ساعتی سیلاب دو ایستگاه، هیدروگرافهاي وقایع سیل سالهاي 1361 تا 1377 استخراج شد. هیدروگرافهاي سیل در ساعت مشخص و نیز 2 تا 4 ساعت قبل از آن در ایستگاه ایدنک و اطلاعات بارندگی همان واقعه سیل در ایستگاه بهبهان به عنوان ورودي و هیدروگرافهاي سیل ایستگاه بهبهان به عنوان خروجی شبکه در نظر گرفته شدند. دادههاي ورودي به نرم افزار 934 سري داده بودند که نرم افزار 52سري داده را به عنوان داده پرت از سري دادهها حذف نمود.دادههاي موجود شامل 882 سري داده از اطلاعات بارندگی و هیدروگراف سیل به سه دسته آموزش، صحتسنجی و تست شبکه تقسیم گردیدند. از 600 داده اندازهگیري شده - %68 - براي آموزش شبکه، 141 سري داده اندازهگیري شده - %16 - براي صحت سنجی و همچنین تعداد 141سري داده - %16 - نیز در مرحله تست شبکه مورد استفاده قرار گرفت.
.3 متدولوژي - روشها -
به منظور پیشبینی هیدروگراف سیل در ایستگاه بهبهان با استفاده از شبکه عصبی مصنوعی، از نرم افزار Alyuda Neurointeligence استفاده گردیده است. این نرم افزار یک بسته کامل براي طراحی و بهینهسازي شبکه عصبی میباشد که در سال 2002 توسط موسسه تحقیقاتی Alyudaارائه گردیده و تمامی مراحل اجراي مدل شبکه عصبی را پشتیبانی میکند. این نرم افزار شامل قابلیتهاي تحلیل و پیشپردازش مجموعه دادهها، پیداکردن بهترین و کارآمدترین معماري شبکه، آزمون و بهینهسازي شبکه انتخاب شده و بهکارگیري شبکه جهت حل مسائل میباشد. حل یک مسئله با استفاده از نرم افزار Neurointeligence شامل مراحل تحلیل، پیشپردازش، طراحی، آموزش و تست میشود - . - 6
نرم افزار Neurointeligence نرمالسازي دادههاي ورودي و خروجی را در محدوده [-1, 1] انجام میدهد. پس از اینکه سري داده-هاي ورودي به شبکه عصبی مشخص شد، توابع محرك و الگوریتمهاي یادگیري مختلف مورد بررسی قرار میگیرد و سپس شبکه آموزش دیده شده، صحت سنجی و آزمون میگردد. وقتی مدل آموزش دید که به کمک پیشینه بارندگی و اطلاعات دبی 2 و 4 ساعت قبل ایستگاه ایدنک، هیدروگراف سیل ایستگاه بهبهان را بدون در نظر گرفتن سازه سد پیشبینی کند، اطلاعات وقایع سیل ایستگاه ایدنک در دوره پس از احداث سد به مدل داده میشود.از مقایسه خروجی مدل یا هیدروگراف پیشبینی شده و هیدروگراف مشاهده شده در ایستگاه بهبهان، تاثیر سد مخزنی مارون بر کاهش دبی اوج سیلاب در پاییندست حاصل میشود.
.4 توسعه مدل
تابع محرك لایههاي مخفی و خروجی، یکی از مهمترین پارامترهایی است که میتواند در خروجی مدل بسیار تاثیرگذار باشد. در این تحقیق 3 تابع محرك لجستیک1 - سیگموئید - ، هایپربولیک تانژانت2 و خطی3 براي لایههاي مخفی و خروجی به کار گرفته شدهاست. جدول - 1 - نتایج روندیابی هیدروگراف سیل با الگوریتم پس انتشار خطا را نشان میدهد، همانگونه که مشاهده میشود تابع محرك لجستیک با شکل تابع زیر، هم براي تابع محرك لایه مخفی و هم براي تابع محرك لایه خروجی بهترین نتایج را ارائه میدهد.
