بخشی از مقاله
خلاصه
جهت مدیریت مناسب در یک حوضه هیدرولیکی نیاز به شناخت کامل آن می باشد . می توان گفت مهمترین بخش از این شناخت مربوط به ارائه مدلی جهت معرفی بارش و رواناب آن حوضه می باشد با توجه به عدم دسترسی به اطلاعات هیدرولیکی حوضه های مورد مطالعه اغلب این مدل سازی ها بصورت هیدرولوژیکی یا گرده ای و با استفاده از آمار سالهای قبل صورت می گیرد .
اغلب سعی بر این بوده است که از روش های ریاضی برای مدل سازی این پدیده استفاده شود که در مرحله واسنجی و آموزش یک مدل از تعدادی پارامترهای حوضه استفاده می شود که خود این پارامترها دقیق و بطور کامل قابل اطمینان نمی باشند. ریاضیات فازی با ارائه تابع عضویت بجای عدد مطلق برای پارامتر مذکور دقت عمل را در ارزش دهی داده ها بالا می برد . در این مقاله مدل بارش B رواناب حوضه گوزون واقع در استان فارس با استفاده از روش سیستم استنتاج عصبی B فازی تطبیقی ارائه می شود و بهترین مدل برای این حوضه مدل شبکه عصبی فازی تطبیقی با 4 متغیر و مدل - gauss - linear - می باشد .
.1 مقدمه
کاربرد بنیادی اصول علم هیدرولوژی در طراحی سازه های آبی، در سطح جهان گسترش و توفیق روز افزون داشته است. مطالعات جامع هیدرولوژی که بر مبنای عوامل فنی، عوارض طبیعی و مسائل اجتماعی، اقتصادی، سیاسی و البته زیست محیطی صورت می گیرد؛ و در نهایت پارامترهای اساسی طراحی از قبیل میزان جریان با دوره های بازگشت متفاوت ارائه شده و به عنوان مبنای اصلی طراحی در نظر گرفته می شود.
تأثیر گذاری فاکتورها و عوامل مختلف و وجود رابطه غیر خطی بین آنها پیش بینی رواناب را امری پیچیده می کند.در روش های قدیمی عمدتاً مدلسازی رواناب از رابطه خطی بین پارامترها استفاده می شد که نتیجه دقیق حاصل نمی شود.[1] امروزه سیستم های هوشمند به منظور پیش بینی یک چنین پدیده های پیچیده و غیر خطی بسیار مورد استفاده قرار می گیرد که روش شبکه های عصبی مصنوعی، سیستم استنتاج فازی و سیستم استنتاج فازی عصبی تطبیقی - ANFIS - از جمله این روش ها است.
در سالهای اخیر استفاده از این روش ها در فرآیندهای هیدرولوژیکی و از جمله مدلسازی رواناب مورد توجه محققین بوده است[2] از جمله: دولاکشی و همکاران - 2006 - پیش بینی سری های زمانی آشوبگونه دبی رودخانه می سی سی پی را با شبکه پرسپکترون چند لایه مقایسه کردند . در این تحقیق آنها با دو روش پیش بینی غیر خطی - مدل محلی - و شبکه عصبی - مدل جهانی - بترتیب زمانهای 1، 3 و 5 ساعت جلوتر را پیش بینی نموده و نتایج را با NRMSE و MAE مقایسه کردند. شبکه عصبی پیش بینی دقیقتری انجام میدهد.
وانگ و همکاران - 2006 - در مطالعه ای با عنوان پیش بینی روزانه جریان رودخانه با شبکه عصبی مصنوعی هیبرید سه نوع شبکه را - شبکه عصبی خوشه ای، شبکه عصبی دوره ای و شبکه عصبی آستانه ای - با هم مقایسه کردند. عقیل و همکاران در سال - - 2007 به بررسی مقایسه ای شبکه عصبی مصنوعی و سیستم عصبی - فازی در مدل سازی پیوسته رفتار روزانه و ساعتی رواناب پرداختند. نتایج حاصل از این مطالعه کارایی بهتر سیستم عصبی فازی را نشان می دهد.
هدف از این تحقیق بررسی توانایی ANFIS در پیش بینی رواناب و مقایسه آن با آنالیز حساسیت سیستم با همان متغیرهای مورد استفاده می باشد. برای این منظور بعد از معرفی سیستم استنتاج فازی- عصبی تطبیقی، چگونگی تعیین دقیق ترین مدل تشریح شده است و سپس نتایج این مدل با دیگر مدل بر اساس معیارهای کارآیی مقایسه می شود و مدل برتر معرفی می گردد.
.2منطقه و حوضه مورد مطالعه
محدوده مطالعاتی داراب یکی از 42 محدوده مطالعاتی حوضه آبریز کل مهران و جزایر خلیج فارس میباشد و با کد 2722 در شمالغرب حوضه آبریز رودخانههای کل مهران و جزایر خلیج فارس قرار دارد و مساحت آن در حدود 2365 کیلومتر مربع میباشد که 797 کیلومتر مربع آن دشت و بقیه ارتفاعات میباشد. این محدوده مطالعاتی بین طولهای جغرافیایی ﹶ58 -ْ53 تا ﹶ 1 -ْ55 شرقی و عرضﹶ 27 ْ-28 تاﹶ 56 ْ-28 شمالی واقع است. بالاترین نقطه این محدوده در حاشیه شمالی منطقه 3006 متر از سطح دریا ارتفاع دارد و پست ترین نقطه با ارتفاع 1049 متر در جنوب غرب منطقه میباشد. از مراکز جمعیتی مهم در این محدوده مطالعاتی میتوان از داراب و قطبآباد نام برد.
.3سیستم استنتاج عصبی - فازی تطبیقی
از زمانی که پروفسور لطفی زاده تئوری منطق فازی را در سال 1965 معرفی کرد. کاربرد وسیعی را در زمینه های متفاوت پیدا کرده است . این تئوری ابزاری توانمند و انعطاف پذیر برای مدلسازی عدم قطعیت ها و عدم صراحت های موجود در دنیای واقعی و بیان عبارت های زبانی برگرفته از تجربه و دانش بشر در قالب روابط ریاضی بشمار می آید و پیچیده گی و عدم قطعیت در سیستم های هیدرولوژیکی، کمبود اطلاعات در بسیاری از فرایندهای هیدرولوژیکی، مبهم و غیر صریح بودن این داده ها موجب شد تا استفاده از تئوری فازی در زمینه هیدرولوژی و بارش- رواناب که از اصلی ترین فرایندهای هیدرولوژیکی است افزایش یابد.
این مدل همانند مدل فازی از دانش تجربی بهره گرفته و نیز همانند مدل شبکه عصبی می تواند آموزش ببیند. اختصاراً به تشریح مدل ANFIS پرداخته می شود. مدل فازی عصبی تطبیقی بر اساس تغییر در میزان مقادیر مرکز و دامنه توابع تعلق در تکرارهای مختلف جهت رسیدن به شبکه مناسب بر اساس حداقل خطای موجود رفتار می کند. در مدل ANFIS از روش استنتاجی تا کاگی سوگنو استفاده می شود. برای مدل سوگنو درجه اول با دو ورودی x و y و یک خروجی z، مجموعه قوانین فازی با دو قانون اگر آنگاه به صورت زیر بیان می شود.
همانطور که از شکل2پیداست ساختار مدل ANFIS شامل 5 لایه می باشد:
لایه اول: پس از اینکه داده های ورودی به صورت ماتریسی x - و - y وارد سیستم شدند در این لایه با استفاده از توابع عضویت عمل فازی سازی انجام می گیرد.
لایه دوم: در این مرحله نیز مشابه با سیستم استنتاج فازی با توجه به عملگر مورد استفاده در مورد استنتاج ، قواعد مربوط به قسمت مقدمه حاصل می آید.
