بخشی از مقاله
*** اين فايل شامل تعدادي فرمول مي باشد و در سايت قابل نمايش نيست ***
شبيه سازي تبخير از ايستگاه هواشناسي زهک با استفاده از شبکه هاي عصبي مصنوعي (ANNs)
چکيده
تبخير پارامتري است که در بررسي منابع آب يک منطقه علاوه بر کميت آب موجود، بـر کيفيـت آن نيـز تـأثير گـذار است . اهميت اين پارامتر در مناطقي از ايران که داراي اقليم خشک ونيمه خشک بوده و مشکل کـم آبـي نيـز وجـود دارد، دو چندان مي گردد.. بررسي اقليمي سيستان نشان مي دهد که بطور طبيعي استعداد زيادي براي تبخيـر وجـود دارد. بالا بودن درجه حرارت و وزش بادهاي پيوسته و شديد، به همراه پايين بودن رطوبت نسبي ، تبخير آب را نسبت به ساير مناطق افزايش مي دهد. درايـن تحقيـق ، يـک مـدل شـبکه عصـبي تبخيـر از سـطح آزاد آب بـراي ايسـتگاه هواشناسي زهک گسترش مي يابد. هدف اصلي ايجاد مدل مزبور، شـبيه سـازي تغييـرات پارامترهـاي دمـا حـداقل و حداکثر، سرعت باد حداقل و حداکثر، رطوبت نسبي حداقل و حداکثر و ساعات آفتابي در ايستگاه مي باشد، تـا بتـوان ازآن به منظور آناليز سريع تبخير درمنطقه استفاده نمـــــود. بـه طــــــور کلـي در ايـن تحــــــقيق کــــارايي مـــدل Neural Network Modeling ٢٠٠٠ Qnet در شبيه سازي پارامتر تبخير در بازه زماني روزانه مورد بررسي قرار گرفت . پس از اجـــراي برنامه مــــذکور نتـايج تحليـل آمـاري حاصل گرديد. با مقايسه نتايج حاصل از مدل شبکه عصبي ، با داده هاي اندازه گيري تبخير مشـاهده گرديدکـه مـدل داراي ضريب تبيين ٠.٩٣= R٢ مي باشد. نتايج همچنين نشان داد که پارامتر سرعت باد ماکزيمم روي عملکرد بهتر مدل شبکه عصبي تاثير کمتري نسبت به ساير پارامترها دارد.
کلمات کليدي :تبخير، زهک ، شبکه عصبي
مقدمه
بررسي وضعيت منابع آب در ايران نشان مي دهد که ميانگين بارندگي ساليانه ايران در حدود ٢٥٠ميلي متـر اسـت ، که اين مقدار٣٠ درصد متوسط بارندگـي در خـــشکي هاي کره زمين (٧٣٠ ميلي متر) مي باشد. اين در حـالي اسـت که متوسط ساليانه تبخير در ايران تقريبا ١٨٠ميلي متر معادل ٧١ درصد بارندگي متوسط ساليانه برآورد گرديده اسـت مقادير ارائه شده شاهد بر اين ادعاست که تبخير پارامتر موءثري در بيلان منابع آب منطقه اي در ايران مي باشد. اهميت اين پارامتر در مناطقي از ايران که داراي اقليم خشک و نيمه خشک بوده و مشکل کم آبي نيـز وجـود دارد دو چنـدان مي شود. يکي از اين مناطق سيستان مي باشد که با مساحتي بالغ از ٨٠٠٠ کيلو متر مربع در منتهي اليـه حـوزه آبريـز رودخانه هاي هيرمند، خاش رود، فراه رود و چندين مسيل ديگر مي باشد[١].
تبخير يک پديده غير خطي و پيچيده است زيرا اولا بستگي به فاکتورهاي اقليمي مختلفي دارد و ثانيا اين فاکتورها روي يکديگر تاثير مي گذارند. بنابراين تهيه يک مدل رياضي براي آن با در نظر گرفتن تمام فاکتورهاي اقليمي موثر در آن ، کاري مشکل و در صورت امکان يا با خطاهاي قابل توجهي روبروست يا نياز به اطلاعات زيادي دارد که اندازه گيري آنها مشکل و وقت گير است از اين گذشته هر مدل رياضي براي يک اقليم خاصي تهيه شده و براي آن اقليم معتبر است [٢]. در اين ميان مدل هاي شبکه عصبي مصنوعي (ANNs١) که با الهام از عصب هاي بيولوژيکي عــمل مي نمايند، بعـنوان گزينه اي برتر مورد تحقيق و بررسي قرار مي گيرند. اين مدل ها مي توانند با حداقل پارامترهاي اندازه گيري شده و با دقت قابل قبولي تغييرات متغير مورد نظر را پيش بيني نمايند. جذابيت مدل هاي شبکه عصبي مصنوعي بخاطر توانايي آنها در حل مسائل غيرخطي ، حجيم و داراي خطا مي باشد. همچنين اين مدل ها توانايي يادگيري حل مسائل فازي و تشخيص الگوها را نيز دارا مي باشند[٣].
فرنچ و همکاران (١٩٩٢) نشان دادند که شبکه عصبي مصنوعي قادر به پيش بيني توزيع زماني و مکاني بارندگي ، حاصل از يک مدل شبيه ساز ياران مي باشد.
برتن و همکاران (٢٠٠٠) با استفاده از شبکه هاي عصبي مصنوعي ، تبخير روزانه از تشتک را با استفاده از ٢٠٤٤ داده ازشهرهاي مختلف جهان از سال ١٩٩٢ تا ١٩٩٦ شامل يارندگي ، درجه حرارت ، رطوبت نسبي ، تشعشعات خورشيدي و سرعت باد با ميزان خطاي ١.١١ ميلي متر در روز تخمين زدند. کومار و همکاران (٢٠٠٢) با استفاده از شبکه عصبي مصنوعي با استفاده از الگوريتم Back-propagaton و آموزش صحيح آن تبخير و تعرق واقعي را به دست آوردند و استفاده از اين ابزار مديريتي قوي را در مطالعه بروي اين موارد توصيه نمود.
سادهر و همکاران (٢٠٠٣) تبخير و تعرق واقعي را با استفاده از شبکه عصبي مصنوعي تخمين زد و داده هاي مشاهده شده توسط لايسيمتر را با داده هاي شبيه سازي شده شبکه عصبي مقايسه کردند و به ضريب همبستگي ٩٢ تا ٩٤ درصد دست يافتند. کيسي (٢٠٠٥) در ايالت کاليفرنيا آمريکا در دو ايستگاه هواشناسي سنوپتيک مدل شبکه عصبي را براي مدلسازي تبخير از تشتک تبخير به کار برد و در بررسي داده هاي روزانه ٤ ساله (١٩٨٧تا ١٩٩٠) هواشناسي با استفاده از شبکه عصبي مصنوعي با ٥ متغير ورودي ، يک لايه پنهان و يک متغير خروجي توانست به دقتي براي ايستگاه اول ٩٨.٥ و براي ايستگاه دوم ٩٩.٣ درصد دست پيدا کند
شايان نژاد (١٣٨٥) شبکه عصبي مصنوعي و روش پنمن مانتيس را در محاسبه تبخير و تعرق پتانسيل مورد مقايسه قرار داد و نتيجه گرفت روش شبکه هاي عصبي مصنوعي در تعيين تبخير و تعرق پتانسيل بسيار دقيق تر از روش پنمن مانيس است علاوه بر اين اطلاعات مورد نياز در روش شبکه هاي عصبي در تعيين تبخير و تعرق کمتر از روش پنمن مانتيس مي باشد.
پيري و همکاران (١٣٨٦) با استفاده از مداهاي ديناميکي شبکه هاي عصبي مصنوعي مقدار تبخير از سطح چاه نيمه ها را در سيستان (در شما سيستان و بلوچستان ) پيش بيني کردند.
دراين تحقيق ، يک مدل شبکه عصبي تبخير از سطح آزاد آب براي ايستگاه زهک گسترش مي يابد. هدف اصلي ايجاد مدل مزبور، شبيه سازي تغييرات پارامترهاي دما حداقل و حداکثر، سرعت باد حداقل و حداکثر، رطوبت نسبي حداقل و حداکثر و ساعات آفتابي در ايستگاه زهک مي باشد، تا بتوان ازآن به منظور آناليز سريع تبخير در سيستان استفاده نمود.
مواد و روش ها:
تهيه اطلاعات مورد نظر
فهرست و اطلاعات مربوط به ايستگاه مورد نظر از مرکز تحقيقات کشاورزي و منابع طبيعي زهک تهيه گرديد.
ايستگاه زهک در عرض جغرافيايي ′٥٤ ̊٣٠ شمالي و طول جغرافيايي ′٤١ ̊٦١ شرقي قرار گرفـته است . فاصله آن از شهرستان زابل ٢٢ کيلومتر مي باشد و ارتفاع آن از سطح دريا برابر با ٤٨٣ متر مي باشد. داده هاي آماري روزانه ١١ سال (٧٦-٨٦) درجه حرارت حداقل و حداکثر، سرعت باد حداقل و حداکثر، ساعات آفتابي ، درصد رطوبت نسبي حداقل و حداکثر و تبخير از تشتک (ET) از سازمان مربوطه تهيه گرديد. (شکل ١)در اين ايستگاه براي آموزش و شبيه سازي مدل به ترتيب از ٣٠١٦ و١٠٠٠ داده آماري استفاده شد.
شکل ١ : نقشه سيستان در کشور
شبکه هاي عصبي مصنوعي (ANNs)
شبکه هاي عصبي مصنوعي بر اساس ارتباطات داخلي بسيار گسترده ، همانند سيستم عصبي و مغز انسان بنا نهاده شده اند. شبکه هاي عصبي جزء سيستم هاي ديناميکي مي باشند که با پردازش داده هاي تجربي قانون نهفته در وراي اطلاعات را به ساختار شبکه منتقل مي کنند. به همين خاطر آنها را سيستم هوشمند مي نامند، چرا که بر اساس محاسبات روي داده هاي عددي و يا مثال ها، قوانين کلي را فرا ميگيرند[٤].
ساده ترين و معمولي ترين نوع شبکه عصبي که در بسياري از علوم مهندسي و از جمله در پژوهش حاضر مورد استفاده قرار مي گيرد شبکه عصبي چند لايه پيشخور همراه با ناظر که از روش انتشار خطا براي آمـوزش کمـک مـي - گيرد. اين مدل با ساختار پرسپترون ١ چند لايه به طور کلي از سه لايه و هر لايـه از تعـدادي واحـد پردازشـگر بـه نـام نرون (سلول ،واحد و يا گره ) تشکيل شده است اولين لاية هر شـبکه را لايـة ورودي گوينـد کـه در آن ، بـردار داده هـاي ورودي مورد نظر قرار مي گيرد. در اين لايه ، هيچ گونه پردازشي انجام نخواهد شد. لاية آخر هر شبکه ، لاية خروجي است که در آن ، بردارهاي خروجي استقرار مي يابند. همچنين هر پرسپترون از تعدادي لاية مياني که لايه هاي پنهـان ناميـده مي شوند، تشکيل شده است . تعداد اين لايه ها و تعداد نرون هاي لايه پنهان ، توسط طراح و طـي فرآينـد آزمـون و خطـا بدست مي آيند.
در شکل (٢) نمونه اي از يک نرون با R ورودي نشان داده شده است .
شکل ٢: مدل چند ورودي يک نرون
در شکل (٢)، عددهاي Pi عناصر بردار ورودي (P)، مي باشـند و بـا مـاتريس وزن w و جملـه اريـب (b)، ورودي خالص را به صورت رابطه (١) مي سازند:
و در نهايت خروجي نرون به صورت رابطه (٢) خواهد بود:
بردار ورودي داراي R عنصر مي باشد. اين بردار در ماتريس w، که داراي R ستون و يک سطر است ، ضرب شده و با جمله اريب b جمع مي گردد، که در مجموع ورودي خالص n را مي سـازند. ورودي خـالص بـه تـابع تبـديل f اعمال شده و خروجي a را بوجود مي آورد. در اين حالت خروجي يک مقدار عددي يا يک ماتريس ١×١ است .
پس از اينکه تمام خروجي ها به دست امد با مقايسة خروجي شبکه با مقادير مشاهده شده ، ميزان خطا براي اصلاح وزن هاي شبکه (wij) از طريق رابطة زير محاسبه مي گردد و آن را به عقب از يک لايه به لاية قبل منتشر مي سازد.
در معادلة فوق ، Ep مقدار خطاي الگوي p،opj خروجي مطلوب و ypj خروجي واقعي درگره j است .
در اين تحقيق يک شبکه پيش جلورونده (FF) متشکل از ٧ ورودي به عنـوان سـرعت بـاد حـداقل و حـداکثر، درجـه حرارت حداقل و حداکثر، رطوبت نسبي حداقل و حداکثر و ساعات آفتابي و ٢ نرون در لايه مخفي متغيـر و يـک لايـة خروجي تبخير روزانه تشتک مي باشد، طراحي گرديده است . اين شبکه داده ها را به صورت سري زماني فراخواني کـرده و در توالي ورودي هاي خود قرار مي دهد از آنجايي که محدوده اعداد در متغيرهاي مختلف متفاوت است لـذا نرمـاليزه کـردن داده هـا نقـش مهمـي در بهبـود عملکرد مدل دارد. براي اين کار داده ها را به اعدادي بين صفر و يک تبديل مي کنيم کـه ايـن کـار بـا اسـتفاده از تـابع تبديل سيگموئيد صورت مي گيرد.
آموزش و آزمايش
فايل بردارهاي ورودي وخروجي مدل شبکه عصبي مصنوعي در محيط نرم افزار Excel تهيه شد. بدين صـورت که داده هاي تهيه شده از ايستگاه تبخير سنجي در هر دوره آماري از ابتداي دوره آماري به ترتيـب تـا انتهـاي آن ( بـه عنوان مثال در دوره ١١ ساله از ابتداي مهر ١٣٧٦ تا انتهاي اسفند ١٣٨٦)، هر يک بطور جداگانه در يک ستون مرتـب شدند. سپس در حدود ٧٥ درصد از داده ها براي آموزش مدل شبکه عصبي و ٢٥ درصد بقيه نيز براي صـحت يـابي آن اختصاص يافت . در اين تحقيق با توجه به اين که تعداد داده هاي مشاهده اي در دسـترس نسـبت بـه پارامترهـاي قابـل تنظيم شبکه ( ماتريس وزن ها و بردار باياس ) زياد بود خطر آموزش اضافي کمتر بود بنابراين داده هاي در دسترس تنها به دو زيرمجموعه آموزشي و صحت يابي تقسيم شدند و از روش صحت يابي مياني کـه بمنظـور جلـوگيري از آمـوزش اضافي شبکه برده مي شود، استفاده نشد. بردارهاي ورودي و خروجي که بـراي آمـوزش و صـحت يـابي شـبکه اسـتفاده مي شدند هر کدام به يک صفحه کاري ٢ در محيط نرم افزار Excel انتقال داده شد. بنـابراين فايـل بردارهـاي ورودي و خروجي مدل شبکه عصبي يک فايل Excel متشکل از پنج صفحه کاري مي باشد، که هـر صـفحه کـاري يـک بـردار ورودي يا خروجي از داده هاي مرحله آموزشي و صحت يابي را در بر مي گيرد. ابتدا داده هاي مرتب شده در هر صفحه کاري در نرم افزار Excle را بطور تصادفي قرار مي دهيم . سپس بصورت بلوک هاي ٢٠٠ تايي در آورده ( هر بلوک داراي ٥ صفحه کاري مي باشد) و دوباره هر بلوک را رندوم کرده ، سپس هر بلوک را بصورت يک فايل text در آورده تا بـراي اين نرم افزار قابل فراخواني باشد. مرحله بعد معماري شبکه مي باشد در اين مرحله تعداد لايه هـا، تعـداد نـرون در هـر لايه ، نوع توابع محرک (که در اينجا از تابع سيگموئيد استفاده شده است )، نرخ يادگيري ، تعداد دورهاي آموزشي (اپاک )، و موارد ديگر همچون نحوه نمايش روند آموزش شبکه و مقدار خطاي مورد انتظار را تعيين نمـود. البتـه در ايـن مـدل الگوريتم آموزشي Back-Propagation Algorithm مورد استفاده قرار مي گيرد. سپس آموزش شبکه شروع مي شود و اين آموزش تا زماني ادامه مي يابد تا به ما کمترين خطاي را بدهد. در مرحله شبيه سازي بـا دريافـت بردارهـاي ورودي مشاهده اي ، عمل شبيه ساري انجام مي گيرد. بعد از اين مرحله مدل به مـا درصـد خطـا و مقـدار همبسـتگي و سـاير پارامترهاي مورد نياز را مي دهد. در نهايت ما اين مراحل را براي همة بلوک ها انجام داده و بهترين شبيه سازي براي هر بلوک را بدست آورده ، حال در نرم افزار Excle داده ها را از حالت رندوم خارج کرده و ساير محاسبات آمـاري را انجـام داده .
