بخشی از مقاله
چکیده
رسوبات حمل شده توسط رودخانهها میتواند باعث بوجود امدن خساراتی به طبیعت، کشاورزی و تاسیسات آبی گردد . برآورد صحیح بار رسوبی در تاسیسات آبی - مانند سد - باعث جلوگیری از صرف هزینههای اضافی خواهد شد. کشور ما ایران با دارا بودن رودخانههای متعدد، پتانسیل بالایی جهت احداث سد دارد و از طرفی همه ساله سیل در نقاط مختلف باعث ایجاد خسارتهای فراوانی میگردد که یکی از دلایل آن کاهش یافتن ظرفیت حمل آب توسط مقطع رودخانه بدلیل انباشتگی رسوبات میباشد. لذا بررسی پدیده رسوب و براورد رسوب حمل شده توسط رودخانه اهمیت خاصی خواهد داشت.
در این راستا جهت تخمین بار معلق رسوب به جای استفاده از روش کلاسیک از روشهای هوشمند سازی شبکههای عصبی مصنوعی که با پدیدههای طبیعی سازگارتر هستند، استفاده شده است. بدین منظور از دادههای اندازه گیری شده دبی و رسوب رودخانه شاپور ایستگاه چیتی از سال 1371 تا 1390 استفاده شده است.
به منظور مقایسه و صحتسنجی کارایی روشهای مختلف مورد استفاده در تحقیق از معیارهای ارزیابی خطا از جمله MSE , RMSE, SSE و ضریب همبستگی استفاده شده است. نتایج این تحقیق حاکی از دقت و برتری نسبی مدل شبکههای عصبی با تعداد لایه 4 و تعداد نرون 25 در هر لایه و با تابع انتقال TANSIG نسبت به بقیه مدلها میباشد.
مقدمه
تاکنون تحقیقات متعددی در خصوص استفاده از شبکه های عصبی مصنوعی برای پیش بینی میزان رسوبات و نیز سایر مسایل با اهمیت در مهندسی اب از جمله پیش بینی میزان بارندگی و رواناب ، پیش بینی دبی ورودی به مخازن و ... صورت پذیرفته است . در زمینه تخمین رسوبات ، سی گی زوگلو ، 2002 ، در تحقیقی اقدام به پیش بینی میزان رسوبات معلق با استفاده از شبکه عصبی مصنوعی و مقایسه روش مذکور با روش منحنی های دبی رسوب نمود .
آرفین و همکاران ، 2003 ، از مدل شبکه عصبی و مدل رگرسیونی خطی برای پیش بینی میزان رسوبات استفاده نمودند . انها توانستند بین چهار پارامتر تاثیر گذار بر میزان رسوب و غلظت رسوبات با استفاده از دو روش مذکور روابطی برقرار نمایند. در تحقیق دیگری جین ، 2001 ، با توجه به دبی جریان و دبی رسوب و اشل ، در دو محل از رودخانه ی می سی سی پی به تخمین بار معلق پرداخت . نتایج این تحقیق حاکی از عملکرد مناسب شبکه پرسپترون چند لایه است . منتظر و همکارانش از دو نوع شبکه عصبی پرسپترون چند لایه و گراسبرگ برای برآورد بار معلق رودخانه ی بازیافت - یکی از سرشاخه های مهم رودخانه کارون - استفاده نمودند و پس از بررسی عملکرد هر دو شبکه به این نتیجه رسیدند که شبکه پرسپترون چند لایه به علت نگاشت صعودی داده ها قادر به تخمین بهتر رسوب برای دبی های بزرگ است .
اسدیانی یکتا و سلطانی در سال 1385 در تحقیقی از مدل های هوشمند مصنوعی در براورد بار رسوبی یکی از ایستگاههای رسوب سنجی USGS استفاده نمودند . در این تحقیق به منظور بررسی چگونگی تاثیر عوامل موثر بر میزان رسوبات معلق و تعیین اثر گذاری عوامل و ترکیب انها از سناریو های مختلفی استفاده گردیده است .
نتایج بررسی صورت گرفته در این تحقیق حاکی از ان است که استفاده از سناریو میزان غلظت رسوب معلق در مقابل دبی جریان در یک زمان یکسان نتایج قابل قبول تری را نسبت به سایر سناریو های مورد بررسی نشان می دهد . در تحقیق حاضر سعی شده تا با استفاده از مدلهای سری زمانی ،توابع خود بازگشتی و سیستم شبکه عصبی و اطلاعات رسوب و دبی ایستگاه چیتی ، رودخانه شاپور نسبت به اموزش مدل ها اقدام گردد و با ازمایش مدل های اموزش دیده ، درستی آموزش مدل ها بررسی شود . نتایج مختلف با استفاده از معیارهای اماری MSE,RMSE,SSE مورد مقایسه قرار گرفته و مدل برتر به عنوان مدل منتخب معرفی شود .
مواد و روش
سیستم شبکه عصبی:
شبکه های عصبی سیستم های پویایی هستند که با پردازش داده های تجربی ، دانش و یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل میکند . این سیستم ها هوشمند نامیده میشوند چرا که بر اساس انجام محاسبات بر روی داده های عددی یا مشاهدات ، قوانین کلی حاکم بر انها را فرا می گیرند . به طور کلی این سیستم های مبتنی بر هوش محاسباتی، سعی در مدل سازی ساختار نرو - سیناپتیکی مغز بشر دارند .
یادگیری شبکه های عصبی ، در واقع تنظیم پارامترهای شبکه چون مقادیر وزن ها - W - و بایاس - b - است .
شبکه ای دارای یک قابلیت یادگیری مناسب است که اگر برای یک وضعیت خاص اموزش داده شود و تغییر کوچکی در شرایط محیطی شبکه رخ دهد ، شبکه بتواند با اموزشی مختصر، برای شرایط جدید نیز کارامد باشد .
یک نمونه ساده از شبکه های عصبی در شکل - 1 - نشان داده شده است.
شکل - : - 1 ساختار شبکه عصبی تک لایه با S نرون
رابطه بین خروجی هر نرون - قبل از ورود به تابع محرک - و مقادیر ورودی به صورت زیر است :
در رابطه فوق R تعداد کل ورودی ها و p j ورودی های مدل و w و b توابع وزن می باشند .
نتایج و بحث
در این تحقیق مدلسازی شبکه های عصبی مصنوعی به کمک نرم افزار matlab انجام شده است . جهت شناسایی این مدل باید داده ها را بصورت نرمال سازی شده به نرم افزار معرفی نمایم . مدلسازی رسوب با استفاده از مدل شبکه عصبی از 2 دیدگاه قابل بحث می باشد . یکی تغییر تعداد نرون ها و دیگری تغییر تعداد لایه ها جهت رسیدن به هدف و بهترین شبیه سازی با کمترین خطای ممکن به منظور بررسی عملکرد این مدل نیز از پارامتر های SSE , MSE , RMSE و ضریب همبستگی که فرمول انها در زیر ذکر شده است بین مقادیر پیش بینی شده توسط مدل و مقادیر مشاهده شده استفاده می شود .
در روابط بالا yactual مقدار رسوب واقعی و مشاهده شده می باشد و y forecast مقدار رسوب شبیه سازی شده توسط مدل میباشد
