مقاله شبیه سازی تبخیر از ایستگاه هواشناسی زهک با استفاده از شبکه های عصبی مصنوعی (ANNs)

word قابل ویرایش
11 صفحه
دسته : اطلاعیه ها
12700 تومان
127,000 ریال – خرید و دانلود

*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***

شبیه سازی تبخیر از ایستگاه هواشناسی زهک با استفاده از شبکه های عصبی مصنوعی (ANNs)
چکیده
تبخیر پارامتری است که در بررسی منابع آب یک منطقه علاوه بر کمیت آب موجود، بـر کیفیـت آن نیـز تـأثیر گـذار است . اهمیت این پارامتر در مناطقی از ایران که دارای اقلیم خشک ونیمه خشک بوده و مشکل کـم آبـی نیـز وجـود دارد، دو چندان می گردد.. بررسی اقلیمی سیستان نشان می دهد که بطور طبیعی استعداد زیادی برای تبخیـر وجـود دارد. بالا بودن درجه حرارت و وزش بادهای پیوسته و شدید، به همراه پایین بودن رطوبت نسبی ، تبخیر آب را نسبت به سایر مناطق افزایش می دهد. درایـن تحقیـق ، یـک مـدل شـبکه عصـبی تبخیـر از سـطح آزاد آب بـرای ایسـتگاه هواشناسی زهک گسترش می یابد. هدف اصلی ایجاد مدل مزبور، شـبیه سـازی تغییـرات پارامترهـای دمـا حـداقل و حداکثر، سرعت باد حداقل و حداکثر، رطوبت نسبی حداقل و حداکثر و ساعات آفتابی در ایستگاه می باشد، تـا بتـوان ازآن به منظور آنالیز سریع تبخیر درمنطقه استفاده نمـــــود. بـه طــــــور کلـی در ایـن تحــــــقیق کــــارایی مـــدل Neural Network Modeling ٢٠٠٠ Qnet در شبیه سازی پارامتر تبخیر در بازه زمانی روزانه مورد بررسی قرار گرفت . پس از اجـــرای برنامه مــــذکور نتـایج تحلیـل آمـاری حاصل گردید. با مقایسه نتایج حاصل از مدل شبکه عصبی ، با داده های اندازه گیری تبخیر مشـاهده گردیدکـه مـدل دارای ضریب تبیین ٠.٩٣= R٢ می باشد. نتایج همچنین نشان داد که پارامتر سرعت باد ماکزیمم روی عملکرد بهتر مدل شبکه عصبی تاثیر کمتری نسبت به سایر پارامترها دارد.
کلمات کلیدی :تبخیر، زهک ، شبکه عصبی

مقدمه
بررسی وضعیت منابع آب در ایران نشان می دهد که میانگین بارندگی سالیانه ایران در حدود ٢۵٠میلی متـر اسـت ، که این مقدار٣٠ درصد متوسط بارندگـی در خـــشکی های کره زمین (٧٣٠ میلی متر) می باشد. این در حـالی اسـت که متوسط سالیانه تبخیر در ایران تقریبا ١٨٠میلی متر معادل ٧١ درصد بارندگی متوسط سالیانه برآورد گردیده اسـت مقادیر ارائه شده شاهد بر این ادعاست که تبخیر پارامتر موءثری در بیلان منابع آب منطقه ای در ایران می باشد. اهمیت این پارامتر در مناطقی از ایران که دارای اقلیم خشک و نیمه خشک بوده و مشکل کم آبی نیـز وجـود دارد دو چنـدان می شود. یکی از این مناطق سیستان می باشد که با مساحتی بالغ از ٨٠٠٠ کیلو متر مربع در منتهی الیـه حـوزه آبریـز رودخانه های هیرمند، خاش رود، فراه رود و چندین مسیل دیگر می باشد[١].
تبخیر یک پدیده غیر خطی و پیچیده است زیرا اولا بستگی به فاکتورهای اقلیمی مختلفی دارد و ثانیا این فاکتورها روی یکدیگر تاثیر می گذارند. بنابراین تهیه یک مدل ریاضی برای آن با در نظر گرفتن تمام فاکتورهای اقلیمی موثر در آن ، کاری مشکل و در صورت امکان یا با خطاهای قابل توجهی روبروست یا نیاز به اطلاعات زیادی دارد که اندازه گیری آنها مشکل و وقت گیر است از این گذشته هر مدل ریاضی برای یک اقلیم خاصی تهیه شده و برای آن اقلیم معتبر است [٢]. در این میان مدل های شبکه عصبی مصنوعی (ANNs١) که با الهام از عصب های بیولوژیکی عــمل می نمایند، بعـنوان گزینه ای برتر مورد تحقیق و بررسی قرار می گیرند. این مدل ها می توانند با حداقل پارامترهای اندازه گیری شده و با دقت قابل قبولی تغییرات متغیر مورد نظر را پیش بینی نمایند. جذابیت مدل های شبکه عصبی مصنوعی بخاطر توانایی آنها در حل مسائل غیرخطی ، حجیم و دارای خطا می باشد. همچنین این مدل ها توانایی یادگیری حل مسائل فازی و تشخیص الگوها را نیز دارا می باشند[٣].
فرنچ و همکاران (١٩٩٢) نشان دادند که شبکه عصبی مصنوعی قادر به پیش بینی توزیع زمانی و مکانی بارندگی ، حاصل از یک مدل شبیه ساز یاران می باشد.
برتن و همکاران (٢٠٠٠) با استفاده از شبکه های عصبی مصنوعی ، تبخیر روزانه از تشتک را با استفاده از ٢٠۴۴ داده ازشهرهای مختلف جهان از سال ١٩٩٢ تا ١٩٩۶ شامل یارندگی ، درجه حرارت ، رطوبت نسبی ، تشعشعات خورشیدی و سرعت باد با میزان خطای ١.١١ میلی متر در روز تخمین زدند. کومار و همکاران (٢٠٠٢) با استفاده از شبکه عصبی مصنوعی با استفاده از الگوریتم Back-propagaton و آموزش صحیح آن تبخیر و تعرق واقعی را به دست آوردند و استفاده از این ابزار مدیریتی قوی را در مطالعه بروی این موارد توصیه نمود.
سادهر و همکاران (٢٠٠٣) تبخیر و تعرق واقعی را با استفاده از شبکه عصبی مصنوعی تخمین زد و داده های مشاهده شده توسط لایسیمتر را با داده های شبیه سازی شده شبکه عصبی مقایسه کردند و به ضریب همبستگی ٩٢ تا ٩۴ درصد دست یافتند. کیسی (٢٠٠۵) در ایالت کالیفرنیا آمریکا در دو ایستگاه هواشناسی سنوپتیک مدل شبکه عصبی را برای مدلسازی تبخیر از تشتک تبخیر به کار برد و در بررسی داده های روزانه ۴ ساله (١٩٨٧تا ١٩٩٠) هواشناسی با استفاده از شبکه عصبی مصنوعی با ۵ متغیر ورودی ، یک لایه پنهان و یک متغیر خروجی توانست به دقتی برای ایستگاه اول ٩٨.۵ و برای ایستگاه دوم ٩٩.٣ درصد دست پیدا کند
شایان نژاد (١٣٨۵) شبکه عصبی مصنوعی و روش پنمن مانتیس را در محاسبه تبخیر و تعرق پتانسیل مورد مقایسه قرار داد و نتیجه گرفت روش شبکه های عصبی مصنوعی در تعیین تبخیر و تعرق پتانسیل بسیار دقیق تر از روش پنمن مانیس است علاوه بر این اطلاعات مورد نیاز در روش شبکه های عصبی در تعیین تبخیر و تعرق کمتر از روش پنمن مانتیس می باشد.
پیری و همکاران (١٣٨۶) با استفاده از مداهای دینامیکی شبکه های عصبی مصنوعی مقدار تبخیر از سطح چاه نیمه ها را در سیستان (در شما سیستان و بلوچستان ) پیش بینی کردند.
دراین تحقیق ، یک مدل شبکه عصبی تبخیر از سطح آزاد آب برای ایستگاه زهک گسترش می یابد. هدف اصلی ایجاد مدل مزبور، شبیه سازی تغییرات پارامترهای دما حداقل و حداکثر، سرعت باد حداقل و حداکثر، رطوبت نسبی حداقل و حداکثر و ساعات آفتابی در ایستگاه زهک می باشد، تا بتوان ازآن به منظور آنالیز سریع تبخیر در سیستان استفاده نمود.
مواد و روش ها:
تهیه اطلاعات مورد نظر
فهرست و اطلاعات مربوط به ایستگاه مورد نظر از مرکز تحقیقات کشاورزی و منابع طبیعی زهک تهیه گردید.
ایستگاه زهک در عرض جغرافیایی ′۵۴ ̊٣٠ شمالی و طول جغرافیایی ′۴١ ̊۶١ شرقی قرار گرفـته است . فاصله آن از شهرستان زابل ٢٢ کیلومتر می باشد و ارتفاع آن از سطح دریا برابر با ۴٨٣ متر می باشد. داده های آماری روزانه ١١ سال (٧۶-٨۶) درجه حرارت حداقل و حداکثر، سرعت باد حداقل و حداکثر، ساعات آفتابی ، درصد رطوبت نسبی حداقل و حداکثر و تبخیر از تشتک (ET) از سازمان مربوطه تهیه گردید. (شکل ١)در این ایستگاه برای آموزش و شبیه سازی مدل به ترتیب از ٣٠١۶ و١٠٠٠ داده آماری استفاده شد.

شکل ١ : نقشه سیستان در کشور
شبکه های عصبی مصنوعی (ANNs)
شبکه های عصبی مصنوعی بر اساس ارتباطات داخلی بسیار گسترده ، همانند سیستم عصبی و مغز انسان بنا نهاده شده اند. شبکه های عصبی جزء سیستم های دینامیکی می باشند که با پردازش داده های تجربی قانون نهفته در ورای اطلاعات را به ساختار شبکه منتقل می کنند. به همین خاطر آنها را سیستم هوشمند می نامند، چرا که بر اساس محاسبات روی داده های عددی و یا مثال ها، قوانین کلی را فرا میگیرند[۴].
ساده ترین و معمولی ترین نوع شبکه عصبی که در بسیاری از علوم مهندسی و از جمله در پژوهش حاضر مورد استفاده قرار می گیرد شبکه عصبی چند لایه پیشخور همراه با ناظر که از روش انتشار خطا برای آمـوزش کمـک مـی – گیرد. این مدل با ساختار پرسپترون ١ چند لایه به طور کلی از سه لایه و هر لایـه از تعـدادی واحـد پردازشـگر بـه نـام نرون (سلول ،واحد و یا گره ) تشکیل شده است اولین لایه هر شـبکه را لایـه ورودی گوینـد کـه در آن ، بـردار داده هـای ورودی مورد نظر قرار می گیرد. در این لایه ، هیچ گونه پردازشی انجام نخواهد شد. لایه آخر هر شبکه ، لایه خروجی است که در آن ، بردارهای خروجی استقرار می یابند. همچنین هر پرسپترون از تعدادی لایه میانی که لایه های پنهـان نامیـده می شوند، تشکیل شده است . تعداد این لایه ها و تعداد نرون های لایه پنهان ، توسط طراح و طـی فرآینـد آزمـون و خطـا بدست می آیند.
در شکل (٢) نمونه ای از یک نرون با R ورودی نشان داده شده است .

شکل ٢: مدل چند ورودی یک نرون
در شکل (٢)، عددهای Pi عناصر بردار ورودی (P)، می باشـند و بـا مـاتریس وزن w و جملـه اریـب (b)، ورودی خالص را به صورت رابطه (١) می سازند:

و در نهایت خروجی نرون به صورت رابطه (٢) خواهد بود:

بردار ورودی دارای R عنصر می باشد. این بردار در ماتریس w، که دارای R ستون و یک سطر است ، ضرب شده و با جمله اریب b جمع می گردد، که در مجموع ورودی خالص n را می سـازند. ورودی خـالص بـه تـابع تبـدیل f اعمال شده و خروجی a را بوجود می آورد. در این حالت خروجی یک مقدار عددی یا یک ماتریس ١×١ است .
پس از اینکه تمام خروجی ها به دست امد با مقایسه خروجی شبکه با مقادیر مشاهده شده ، میزان خطا برای اصلاح وزن های شبکه (wij) از طریق رابطه زیر محاسبه می گردد و آن را به عقب از یک لایه به لایه قبل منتشر می سازد.

در معادله فوق ، Ep مقدار خطای الگوی p،opj خروجی مطلوب و ypj خروجی واقعی درگره j است .
در این تحقیق یک شبکه پیش جلورونده (FF) متشکل از ٧ ورودی به عنـوان سـرعت بـاد حـداقل و حـداکثر، درجـه حرارت حداقل و حداکثر، رطوبت نسبی حداقل و حداکثر و ساعات آفتابی و ٢ نرون در لایه مخفی متغیـر و یـک لایـه خروجی تبخیر روزانه تشتک می باشد، طراحی گردیده است . این شبکه داده ها را به صورت سری زمانی فراخوانی کـرده و در توالی ورودی های خود قرار می دهد از آنجایی که محدوده اعداد در متغیرهای مختلف متفاوت است لـذا نرمـالیزه کـردن داده هـا نقـش مهمـی در بهبـود عملکرد مدل دارد. برای این کار داده ها را به اعدادی بین صفر و یک تبدیل می کنیم کـه ایـن کـار بـا اسـتفاده از تـابع تبدیل سیگموئید صورت می گیرد.

آموزش و آزمایش
فایل بردارهای ورودی وخروجی مدل شبکه عصبی مصنوعی در محیط نرم افزار Excel تهیه شد. بدین صـورت که داده های تهیه شده از ایستگاه تبخیر سنجی در هر دوره آماری از ابتدای دوره آماری به ترتیـب تـا انتهـای آن ( بـه عنوان مثال در دوره ١١ ساله از ابتدای مهر ١٣٧۶ تا انتهای اسفند ١٣٨۶)، هر یک بطور جداگانه در یک ستون مرتـب شدند. سپس در حدود ٧۵ درصد از داده ها برای آموزش مدل شبکه عصبی و ٢۵ درصد بقیه نیز برای صـحت یـابی آن اختصاص یافت . در این تحقیق با توجه به این که تعداد داده های مشاهده ای در دسـترس نسـبت بـه پارامترهـای قابـل تنظیم شبکه ( ماتریس وزن ها و بردار بایاس ) زیاد بود خطر آموزش اضافی کمتر بود بنابراین داده های در دسترس تنها به دو زیرمجموعه آموزشی و صحت یابی تقسیم شدند و از روش صحت یابی میانی کـه بمنظـور جلـوگیری از آمـوزش اضافی شبکه برده می شود، استفاده نشد. بردارهای ورودی و خروجی که بـرای آمـوزش و صـحت یـابی شـبکه اسـتفاده می شدند هر کدام به یک صفحه کاری ٢ در محیط نرم افزار Excel انتقال داده شد. بنـابراین فایـل بردارهـای ورودی و خروجی مدل شبکه عصبی یک فایل Excel متشکل از پنج صفحه کاری می باشد، که هـر صـفحه کـاری یـک بـردار ورودی یا خروجی از داده های مرحله آموزشی و صحت یابی را در بر می گیرد. ابتدا داده های مرتب شده در هر صفحه کاری در نرم افزار Excle را بطور تصادفی قرار می دهیم . سپس بصورت بلوک های ٢٠٠ تایی در آورده ( هر بلوک دارای ۵ صفحه کاری می باشد) و دوباره هر بلوک را رندوم کرده ، سپس هر بلوک را بصورت یک فایل text در آورده تا بـرای این نرم افزار قابل فراخوانی باشد. مرحله بعد معماری شبکه می باشد در این مرحله تعداد لایه هـا، تعـداد نـرون در هـر لایه ، نوع توابع محرک (که در اینجا از تابع سیگموئید استفاده شده است )، نرخ یادگیری ، تعداد دورهای آموزشی (اپاک )، و موارد دیگر همچون نحوه نمایش روند آموزش شبکه و مقدار خطای مورد انتظار را تعیین نمـود. البتـه در ایـن مـدل الگوریتم آموزشی Back-Propagation Algorithm مورد استفاده قرار می گیرد. سپس آموزش شبکه شروع می شود و این آموزش تا زمانی ادامه می یابد تا به ما کمترین خطای را بدهد. در مرحله شبیه سازی بـا دریافـت بردارهـای ورودی مشاهده ای ، عمل شبیه ساری انجام می گیرد. بعد از این مرحله مدل به مـا درصـد خطـا و مقـدار همبسـتگی و سـایر پارامترهای مورد نیاز را می دهد. در نهایت ما این مراحل را برای همه بلوک ها انجام داده و بهترین شبیه سازی برای هر بلوک را بدست آورده ، حال در نرم افزار Excle داده ها را از حالت رندوم خارج کرده و سایر محاسبات آمـاری را انجـام داده .

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 12700 تومان در 11 صفحه
127,000 ریال – خرید و دانلود
سایر مقالات موجود در این موضوع
دیدگاه خود را مطرح فرمایید . وظیفه ماست که به سوالات شما پاسخ دهیم

پاسخ دیدگاه شما ایمیل خواهد شد