بخشی از مقاله
چکیده
تخمین دبی جریان در رود خانه، به دلیل تاثیر آن در مدیریت منابع آب، می تواند نقش اقتصادی مهمی داشته باشد.برای محاسبه نمودن رواناب خروجی یک حوزه روش های بسیاری وجود دارد که هر یک از این روش ها دارای محاسن و معایبی هستند.شبکه عصبی مصنوعی، یکی از روش هایی است که اخیرا در زمینه ی تحلیل رفتار سیستم های دینامیک در علوم مختلف مهندسی آب، نظر پژوهشگران را به خود جلب نموده است.در این تحقیق از نرم افزار - MATLAB - استفاده گردیده است. بدین منظور از داده های باران سنجی و درجه حرارت ماهانه حوزه آبریز رودخانه بابلرود در ایستگاه های قران طلار و کشتارگاه و دبی ایستگاه هیدرومتری بر روی رودخانه بابلرود در دوره ی آماری 33 ساله - 1384-1351 - جهت مدل استفاده گردید. نتایجی که پس از مدل سازی به آن دست یافتیم بیانگر این امر است که شبکه عصبی مصنوعی تابع شعاعی - RBF - توانایی بالایی در تخمین دبی رودخانه بابلرود دارد.
واژههای کلیدی: شبکه عصبی مصنوعی - - ANN، رودخانه بابلرود، پیش بینی جریان، بارندگی، رواناب، Radial Basis Function،RBF
.1 مقدمه
راه های فراوانی را در طبیعت می توان مشاهده نمود که در طول زمان قابل اندازه گیری می باشند .درجه حرارت رو زانه، دبی رودخانه، میزان بارش روزانه و ماهیانه، تبخیر و ... . مدل هایی که امروزه در هیدرولوژی مورد استفاده قرار می گیرند شامل 2 دسته مدل های تجربی و مدل های مفهومی هستند. در مدل های تجربی بدون توجه به وضعیت پارامترهای ورودی و خروجی، سعی در ایجاد رابطه بین آنها می نمایند. مدل های مفهومی سعی دارند پدیده مورد بررسی را به بهترین و دقیق ترین شکل ممکن توصیف نمایند. شبکه های عصبی مصنوعی در این تقسیم بندی جزء مدل های تجربی هستند.[1]
کاربرد شبکه های عصبی مصنوعی در زمینه مسائل مرتبط با مهندسی عمران - آب - ، حل مسائلی اس ت که یا دارای روابط مشخصی به منظور تحلیل مسئله نمی باشند و یا تحلیل آنها به روش متعارف بسیار طولانی می باشد.[2] از آن جمله می توان به استفاده از شبکه عصبی مصنوعی برای بررسی مسئله بارش-رواناب[3]، بررسی موج عددی با انتقال خالص و امواج هیدرولیکی با دامنه کوتاه[4]، بررسی جریان لایه مرزی و جت آزاد توربولانس [5]و ... اشاره نمود. در این تحقیق از پیکربندی جدیدی برای شبیه سازی جریان استفاده شده است. در ادامه به معرفی مختصری از خصوصیات شبکه عصبی مصنوعی توابع شعاعی - - RBF در شبیه سازی جریان رودخانه می پردازیم.
.2 شبکه تابع پایه شعاعی - - RBF
شبکههای تابع پایه شعاعی - - RadialBasisFunction از جمله شبکههای پیشرو با سه لایه میباشند. تفاوت عمده این شبکه با شبکههای پرسپترون چند لایه در این است که دارای یک لایه میانی بوده و توابع تحریک نرونها بصورت توابع شعاعی - بصورت توابع گوسی - - - Gussian Function همراه با مرکز - Center - Uj و عرض - Spread - j خاصی میباشد. علاوهبر این برخلاف شبکه پرسپترون چند لایه که مجموع وزن دارنرونهای رسیده به نرون لایه میانی بعنوان ورودی توابع تحریک در نظر گرفتهمیشود، در اینجا فاصله بین هر الگو با بردار مرکز هر نرون در لایه میانی بعنوان ورودی تابع تحریک شعاعی محاسبهمیشود.
از تفاوتهای دیگر این شبکه با شبکه پرسپترون چند لایه این است که توابع تحریک نرونهای خروجی این شبکه توابع خطی ساده است و به همین دلیل میتوان از الگوریتمهای بهینهسازی خطی استفاده نمود که هم سرعت پردازش را بالا خواهد برد و هم از افتادن در چالههای موضعی - Local Minimum - که در اکثر شبکههای پرسپترون چند لایه در روند یادگیری با آن سر و کار دارند، جلوگیری میشود.از نکات قابل توجه دیگر این است که درشبکهها چون معمولاً یک لایه به عنوان لایه میانی انتخاب میشود بنابراین نیاز ما را به داشتن لایههای بیشتر مرتفع میسازد. بدین لحاظ میتوان از این شبکه برای افزایش سرعت یادگیری و حل مشکلات معمول شبکههای عصبی استفاده نمود.[6]شکل زیر بطور شماتیک شبکه توابع پایه شعاعی را نشان میدهدانتخاب پارامتر مناسب نقش زیادی در بالا بردن صحت پیش بینی های ما ایفا می کند .جهت پیدا نمودن پارامتر مناسب روش خاصی موجود نیست و باید با روش سعی و خطا مقدار مناسبی را برای آن انتخاب نمود.
.3 کاربرد عملی مدل :
در این تحقیق اطلاعات هواشناسی و آبشناسی یک دوره 33 ساله مابین سال های 51 تا 84 رودخانه بابلرود واقع در استان مازندران از بانک اطلاعاتی مورد استفاده قرار گرفت، که 80 درصد از این اطلاعات صرف آموزش شبکه و 20 درصد از این اطلاعات صرف صحت یابی شبکه جهت پیش بینی جریان رودخانه مورد بررس قرار گرفت.در این تحقیق ساختار ترکیبی از 12 شبکه عصبی مصنوعی تابع شعاعی - - RBF که هر کدام با اطلاعات یک ماه مشخص با یک دوره 33 ساله آموزش داده می شود . شکل 3 ساختار پیشنهادی را نمایش می دهد.لازم به ذکر است در مطالعات قبلی از یک شبکه عصبی برای یادگیری تمام ماه ها مورد استفاده قرار می گرفت، ولی در این مطالعه برای هر ماه یک شبکه عصبی در نظر گرفته شده است.
