بخشی از مقاله
چکیده
برای ارزیابی حجم رسوبات حمل شده توسط رودخانهها که در بسیاری از مباحث مهندسی آب اهمیت ویژهای دارد، روشهای متعددی ارائه شده است. به دلیل ساختار کاملاً غیر خطی پدیده رسوب، روشهای کلاسیک و رایج مانند منحنی سنجه قادر به تخمین صحیح دبی رسوبات نمیباشند. در این تحقیق از دادههای دبی رسوب و دبی جریان ماهانه طی یک دوره آماری 21 ساله بهعنوان ورودی مدل استفاده شد. از 252 داده مورد استفاده در کل دوره آماری، 80 درصد دادهها برای آموزش و 20 درصد برای اعتبار سنجی بهصورت تصادفی انتخاب گردید، و از توابع هدف R و RMSE برای ارزیابی مدلها استفاده شد.
در این تحقیق با بهرهگیری از نرمافزار متلب، و با استفاده از مدلهای پرسپترون چند لایه با تابع تانژانت سیگموئید - - tansig در لایه مخفی و تابع خطی - - Pureline در لایه خروجی و با استفاده از اطلاعات ایستگاه هیدرومتری موجود در حوزه دالکی - چمچیت، مدلی برای شبیهسازی بار رسوب معلق ماهانه ایجاد و نتایج آن با روش سیستم استنتاج فازی- عصبی مقایسه شده است. در تمام الگوهای به کار رفته در مقیاس ماهانه عملکرد سیستم استنتاج فازی- عصبی بهتر از شیکه پرسپترون چند لایه بوده است.
-1 مقدمه
پدیده رسوب یکی از عوامل ایجاد بحران کمی و کیفی آبهای سطحی بوده بهطوری که حجم رسوبات، نه تنها حجم آب خالص ورودی به مخازن را تحت تاثیر قرار میدهد، بلکه با گذشت زمان از حجم مخازن و سدها میکاهد. برآورد رسوبدهی رودخانهها در موارد متعددی نظیر طراحی سازههای آبی، مهار سیلاب و آبگیری از رودخانه حائز اهمیت بسیار می-باشد. با توجه به اهمیت مسئله رسوب و تاثیراتی که این فرآیند در پهنه اکولوژی و محیط زیست گذاشته است، پژوهشهای بسیار وسیعی در سراسر دنیا بر روی این موضوع انجام شده است.
متخصصان علم هیدرولیک از یک سو و صاحبنظران علوم هیدرولوژی و آبخیزداری از جهات مختلف این فرآیند را مورد بررسی و مطالعه قرار دادهاند و سعی بر این داشتهاند که تا حد امکان مسئله فرسایش و رسوب را تحت کنترل در آورده و از اثرات سوء آن بکاهند و میتوان گفت که اکثر این مطالعات نیز با موفقیت روبرو بودهاند . استفاده از روشهای هوش مصنوعی از جمله شبکه پرسپترون چند لایه و سیستم استنتاج فازی- عصبی بهعنوان ابزاری توانمند به نوعی قادرند روابط غیر خطی حاکم بر فرآیندهای پیچیده را تعیین نمایند.
ملسی و همکارانٌ - 2011 - با بهرهگیری از مدلسازی شبکه عصبی مصنوعی - پرسپترون چند لایه - اقدام به برآورد مقدار رسوب معلق در رودخانههای میسیسیپی، میسوری و ریوگراند آمریکا نمودند و بعد از مقایسه نتایج با مدل رگرسیون خطی چند متغیره و مدل آریما نشان داد که مدل شبکه عصبی به مراتب از دقت بالاتری نسبت به نتایج سایر مدل-ها حکایت داشت. ایسا زاده و همکاران - 2014 - به پیش بینی رسوب مخزن سد دوهوک با استفاده از مدل شبکه عصبی و مدلهای معمولی یا مرسوم - منحنی سنجه - پرداختند. نتایج بهدست آمده نشان داد که مدل شبکه عصبی کارایی بهتری نسبت به روشهای معمولی یا مرسوم داشته است.
کوبانر و همکاران - 2009 - برای تخمین رسوب رودخانه مد در آمریکا از شبکههای عصبی مصنوعی و روش سیستم استنتاج فازی - عصبی تطبیقی استفاده کردند. دادههای مشاهداتی این تحقیق شامل دادههای بارندگی، دبی جریان و رسوب؛ و شبکههای عصبی مورد استفاده شامل RBNN و MLP بوده است. نتایج حاصله نشان داد که دقت مدل سیستم استنتاج فازی- عصبی تطبیقی نسبت به شبکههای عصبی مذکور و روش متداول منحنی سنجه بوده است. رجایی و همکاران - - 2010 پیشبینی بار رسوب معلق روزانه با استفاده از مدل ترکیب شده سیستم استنتاج فازی-عصبی تطبیقی و موجک و همچنین مدلهای معمولی - منحنی سنجه رسوب - در ایستگاه گاگینگ در آمریکا را مورد بررسی قرار دادند.
در تحلیل مدل سیستم استنتاج فازی- عصبی تطبیقی ارائه شده، سریزمانی مشاهده شده از نشت رودخانه و بار رسوب معلق در مقیاسهای متفاوتی بهوسیله موجک تجزیه شده، سپس کل سریزمانی موثر از نشت و بار رسوب معلق بهعنوان ورودی در مدل سیستم استنتاج فازی- عصبی تطبیقی از یک روز قبل برای پیشبینی بار رسوب معلق اعمال شده است. نتایج نشان داد که کارایی مدل سیستم استنتاج فازی- عصبی تطبیقی و موجک برای پیش-بینی نسبت به منحنی سنجه رسوب بهتر بوده است. در زمینه ارزیابی شبکه عصبی مصنوعی و سیستم استنتاج فازی- عصبی تطبیقی در شبیه-سازی رسوب بار معلق در ایران نیز میتوان به تحقیقات عبدی - 1392 - به مقایسهی قابلیت شبکهعصبی مصنوعی و منحنیسنجهی رسوب در پیش-بینی بار رسوب معلق روزانه در ایستگاه چمریز رودخانهی کر پرداختند.
براساس نتایج بهدست آمده شبکهعصبی مصنوعی نتایج قابلقبولی را جهت شبیهسازی بار معلق در ایستگاه چمریز ارائه میکند، بهطوری که در مقایسهی ضرایب همبستگی دادههای موجود با منحنیسنجه رسوب از دقت بالاتری برخوردار است. کیاء و همکاران - 1391 - به مطالعه برآورد دبی رسوب معلق ایستگاه قرآن تالار بابل رود به کمک سیستم استنتاج فازی- عصبی تطبیقی پرداختند . بنابراین میتوان گفت که دقت روش استنتاج فازی- عصبی تطبیقی به مراتب از دقت روش سنتی منحنی سنجه که عملاً در تمامی مطالعات فرسایش و رسوب مورد استفاده قرار میگیرد بالاتر است و میتوان از این روش در برآورد بار رسوبی رودخانه برای پروژه-های آبی استفاده نمود.
معیری و همکاران - - 1389 با بهرهگیری از مدل سیستم استنتاج فازی- عصبی تطبیقی و منحنی سنجه رسوب اقدام به برآورد رسوبات معلق در رودخانهی آجی چای نموده و بعد از مقایسه نتایج با روشهای شبکه عصبی مصنوعی نشان داد که سیستم استنتاج فازی-عصبی تطبیقی در مقایسه با این روشها از دقت بالاتری برخوردار است. هدف از این تحقیق بررسی قابلیت دو روش شبکه پرسپترون چند لایه و سیستم استنتاج فازی- عصبیٌ - - ANFIS در شبیه سازی بار رسوب معلق رودخانه دالکی ایستگاه چمچیت میباشد.
-2 مواد و روشها
-1-2 منطقه مطالعاتی
رودخانه دالکی از رودخانههای جاری در استان فارس و استان بوشهر میباشد. منطقهی مورد مطالعه حوزه آبخیز رودخانه دالکی در داخل حوزه آبریز حله به طول 225 کیلو متر و با شیب متوسط %8 و در محدوده طول جغرافیای 51.46َ و عرض جغرافیای 29.22َ قرار گرفته است. این رود در مسیر کلی خود که بهسمت جنوب غربی است، از شهرستانهای کازرون، دشتستان و بوشهر در استانهای فارس و بوشهر عبور میکند. وسعت حوزه آبریز این رودخانه، 5/190 کیلومتر مربع میباشد. میزان آب دهی این رودخانه به وسیله ایستگاه دالکی اندازهگیری میشود. بنابراین رودخانه دالکی و حوضه آبریز آن در تقسیمات کشوری جزء حوضه آبریز خلیج فارس و دریای عمان محسوب میشود. شکل - 1 -
-2-2 روش کار
در این تحقیق همانطور که گفته شد با استفاده از دو روش شبکه پرسپترون چند لایه - ANN - و سیستم استنتاج فازی - عصبی - ANFIS - با شبیهسازی بار رسوب معلق پرداخته و در نتیجه پس از ارزیابی و مقایسه این دو روش، روش برتر تعیین میگردد.
-1-2-2 مفاهیم و تئوری شبکههای پرسپترون چند لایه
طی دهه اخیر مدلهای جدیدی بهنام شبکههای پرسپترون چند لایه به ابزارهای پیشبینی افزوده شدهاند که نتایج قابل قبولی در زمینههای کاربردی مختلف از خود نشان دادهاند. شبکههای پرسپترون چند لایه یک شبیهسازی از دستگاه عصبی طبیعی است و شامل مجموعهای از واحدهای عصبی بهنام نرونٌ میباشد که توسط ارتباطاتی موسوم به آکسونٍ به هم متصل شدهاند. در شبکههای عصبی مصنوعی سعی بر این است که ساختاری مشابه ساختار بیولوژیکی مغز انسان و شبکه عصبی بدن طراحی شود تا همانند آن قدرت یادگیری، تعمیمدهی و تصمیم گیری داشته باشد. در این شبکهها هدف آن است که با معرفی تاریخچه عملکرد یک سیستم مکانیکی، مدل آموزش یافته و نحوه عملکرد سیستم در حافظه ذخیره شود و در مواردی که قبلاً با آن مواجه نشده است مورد استفاده قرار گیرد.
خصوصیت دیگر این مدلها که آنها را نسبت به سایر روشها و الگوریتمها متمایز مینماید حساسیت کمتر آنها نسبت به وجود خطا در ورودیها است. علت این امر پردازش گسترده اطلاعات توزیعی میباشد. در این سیستم فعالیتهای پیچیده با ساختاری به شدت موازی انجام میشود و بهجای اینکه تمام بار فعالیت بر دوش یک واحد محاسباتی سریع قرار گیرد، تعداد زیادی واحدهای محاسباتی ساده بهصورت مشترک انجام آن را بر عهده دارند. این تقسیم کار، پیامد مثبت دیگری نیز در پی دارد و آن این است که چون تعداد زیادی نرون در یک زمان درگیر فعالیت هستند، سهم هر یک از نرونها چندان دارای اهمیت نیست. بنابراین وجود خطا در یکی از آنها و نتیجه آن تاثیر چندانی برروی سایر واحدهای محاسباتی نخواهد داشت.
دیدگاه شبکههای عصبی مصنوعی در دهه 40 از قرن بیستم و زمانی که مک کلاج و پیتز - - 1943 نشان دادند که شبکههای عصبی مصنوعی میتوانند هر تابع حسابی و منطقی را محاسبه نماید، مطرح گردید. نخستین کاربرد عملی شبکههای عصبی در اواخر دهه 50 توسط روزنبلات - - 1958 با معرفی شبکههای چند لایه پرسپترون صورت گرفت. آنها شبکهای طراحی کردند که قادر بود الگوها را از هم شناسایی نماید. در همین زمان بود که َ - - ADALINE وایدرو و هاف - 1960 - شبکه تطبیقی را با قانون یادگیری جدید مطرح نمودند، که از لحاظ ساختار شبیه ساختار پرسپترون میباشد.
تحقیق بر روی این شبکهها تا سال 1986 ادامه داشت تا اینکه توسط راملهارت و همکاران - 1986 - تئوری ُ - - BPA الگوریتم پس انتشار خطا مطرح شد و تحولی عظیم در شبکههای عصبی مصنوعی و کاربرد آنها ایجاد نمود. مدلهای ِ - - BPNN به منظور پیش-بینی، شامل یک لایه ورودی، تعدادی لایه میانی، و یک لایه خروجی هستند که بهطور شماتیک در شکل - 2 - نشان داده شده است. تعداد نرون در هر لایه مخفی از طریق سعی و خطا تعیین میگردد. نرونها برای محاسبه خروجی خود، ورودی دریافتی را از یک تابع آستانه عبور میدهند.
در این تحقیق از شبکه پرسپترون سه لایه که شامل یک لایه ورودی و یک یا چند لایه مخفی از گرههای محاسباتی و یک لایه خروجی میباشند استفاده شده است. در هر لایه تعدادی نرون در نظر گرفته میشود که به-وسیله اتصالات به نرونهای لایههای مجاور وصل میشوند. در این شبکهها ورودی موثر هر نرون، حاصلضرب خروجی نرونهای لایه قبل در وزنهای میان آن نرونهاست. نرونهای لایه اول اطلاعات ورودی را گرفته و از طریق اتصالات مربوط به نرونهای لایه مخفی منتقل میکنند. سیگنال ورودی در این شبکهها تنها به سمت جلو گسترش مییابد. مزیت اصلی این شبکه سهولت اجرای مدل و تخمین دادههای ورودی و خروجی آن است و از معایب اصلی این روش میتوان به سرعت پایین آموزش و نیاز به مقادیر زیادی از دادههای آموزشی اشاره کرد. در شکل - 2 - نمونهای از یک شبکه پرسپترون سه لایه نشان داده شده است.
