بخشی از مقاله
خلاصه
یکی از راهکارهای اساسی مدیریت منابع آب و تامین نیازهای یک حوضه، بهرهبرداری تلفیقی از منابع آب سطحی و زیرزمینی میباشد. در این راستا شبیهسازی عملکرد آبهای زیرزمینی بسیار حائز اهمیت میباشد. از آنجا که فرآیند بهرهبرداری تلفیقی بهینه ملزم به فراخوانیهای متعدد از مدل شبیهساز در مدل بهینهساز به منظور تامین قیودات مسئله میباشد، لذا اتصال بین این دو مدل به طور چشمگیری محاسبات را برای رسیدن به حل بهینه عمومی افزایش میدهد. از این رو برای کاهش هزینههای محاسباتی می توان از تقریب مدل شبیهساز مثل مدل داده محور شبکه عصبی مصنوعی استفاده کرد.
از طرفی دیگر مدلهای داده محور نسبت به مدلهای با پایهی فیزیکی توانایی بیشتری در اعمال عوامل ناشناخته و پارامترهایی که اندازهگیری آنها به سادگی میسر نیست، دارند. در این مقاله به بررسی ساختارهای مختلف به منظور تعیین بهترین ساختار برای شبیهسازی سطح ایستابی، پرداخته شده است.
مطالعه موردی آبخوان نجفآباد میباشد که دارای پیچیدگیهای خاصی به لحاظ شرایط تغذیه و اندرکنش با منابع آب سطحی از جمله رودخانه زایندهرود است. نتایج نشان میدهد مدل شبکه عصبی مورد استفاده با مقدار R2 بالای 0/99 و خطای کمتر از 8 درصد در بخش اعتبارسنجی مدل برای پیشبینی، توانسته است عملکرد آبخوان را به خوبی شبیهسازی کند.
1. مقدمه
امروزه به علت افزایش جمعیت، رشد شهرنشینی، بالا رفتن سطح زندگی، توسعه صنعت، تغییرات آب و هوایی، عدم قطعیتهای هیدرولوژیکی و افزایش روزافزون نیازهای آبی، بیش از پیش جامعه نیازمند مدیریت صحیح منابع آب به منظور تامین نیازهای خود در بخش غذا، بهداشت و صنعت میباشد. یکی از روشهای مدیریتی کارا در این زمینه، استفاده از بهرهبرداری تلفیقی منابع آب سطحی و زیرزمینی موجود در منطقه میباشد.
برای بهره برداری تلفیقی بهینه از منابع آب سطحی و زیرزمینی در یک منطقه، شبیهسازی حوضه مورد مطالعه اولین قدم است. شبیهسازی در بهرهبرداری تلفیقی به منظور بدست آوردن پاسخ سیستم نسبت به برنامههای مدیریتی مختلف میباشد.
برای مثال در شبیهسازی عمق آب زیرزمینی در یک حوضه، سیستم شبیهساز در هر گام زمانی با داشتن مقادیر بهینه برداشت آب زیرزمینی و آب سطحی مصرفی بدست آمده از مدل بهینه ساز، به همراه در دست داشتن مقادیر پارامترهای موثر بر بیلان آب در حوضه مطالعاتی، عمق آب را شبیهسازی میکند. در این فرآیند برای بدست آوردن مقادیر بهینه آب سطحی و زیرزمینی بین مدل شبیهساز و بهینهساز لینک برقرار میشود و برای ارضای قیودات مسئله، مدل شبیه ساز بارها از سوی مدل بهینه ساز فراخوانی میگردد. این مسئله به طور چشمگیری محاسبات را برای رسیدن به حل بهینه عمومی افزایش می دهد.
برای کاهش هزینههای محاسباتی برای رسیدن به حل بهینه، میتوان از تقریب مدل شبیهساز مثل شبکه عصبی مصنوعی - ANN - ، ماشینهای بردار پشتیبان - SVMs - و یا ماشینهای بردار ارتباط - RVMs - به عنوان شبیهسازهای مناسب برای فرآیندهای فیزیکی استفاده کرد.[2] از طرفی دیگر از آن جا که تجزیه و تحلیلها در نوسانات آب زیرزمینی در آبخوانهای متعدد در نقاط مختلف جهان نشان می دهد فاکتورهای اقلیمی و هیدرولوژیکی باعث ایجاد تغییرات دینامیک در سطح آب زیرزمینی میشوند، با جمعآوری این دادهها در دهههای اخیر استفاده از روشهای رگرسیون داده محور، نظیر شبکههای عصبی توسعه قابل توجهی یافته است
شبکههای عصبی جزء دسته سیستمهای هوشمند قرار دارند که با پردازش روی دادههای تجربی، دانش یا قانون نهفته در ورای دادهها را به ساختار شبکه منتقل می کنند. برای اولین بار شبکه عصبی مصنوعی توسط عزیز و همکاران - 1992 - در زمینه آبهای زیرزمینی به هدف تعیین پارامترهای آبخوان استفاده گردید.[7] در ادامه محققین زیادی در این زمینه به دلیل اهمیت فراوان آن به مطالعه پرداختند.
به عنوان نمونه صفوی و درزی - 2010 - با استفاده از شبکهی عصبی مصنوعی و الگوریتم ژنتیک مدل شبیهسازی- بهینهسازی خود را برای بهرهبرداری تلفیقی بر روی حوضه مطالعاتی همین مقاله اجرا نمودند.آنها با مقایسه نتایج بدست آمده از مادفلو و شبکه عصبی مصنوعی به این نتیجه رسیدند که نتایج به خوبی قابل قیاس با یکدیگرند.[1] از جمله محققان داخلی که در سال های اخیر با موفقیت از شبکه عصبی برای شبیهسازی سطح آبخوان استفاده کردند میتوان به:کارآموز و همکاران - 2007 - ، انتشاری - 1392 - ، ابراهیمی - 1392 - ، مرادی فرحآبادی و همکارن - 2013 - و احمدی - 1393 - اشاره کرد
در این تحقیق سعی بر آن است که با استفاده از شبکه عصبی مصنوعی، مدل شبیهسازی آبهای زیرزمینی در اندرکنش با آبهای سطحی ایجاد گردد. از آنجا که این مدل شبیه ساز قرار است در لینک با مدل بهینه ساز قرار بگیرد، علاوه بر معیارهای سنجش متداول یک شبکه عصبی که در تحقیقات پیشین انجام گرفته است، قابلیت آن در بخش پیش بینی نیز مورد سنجش قرار می گیرد.
2. محدوده ی مورد مطالعه ومنطقه بندی آن
حوضه گاوخونی که در تقسیم بندی کلی هیدرولوژی ایران جزء حوضه آبریز فلات مرکزی ایران است، به 21 زیر حوضه تقسیم بندی شده است که نجف آباد یکی از این زیر حوضه ها میباشد. وسعت این زیر حوضه 1712 کیلومتر مربع میباشد که آبخوان آبرفتی 940/9 کیلومتر مربع از مساحت آن را شامل میشود.[13] میانگین سالانه دما، بارش و تبخیر در این منطقه به ترتیب برابر با 15/08 درجه سانتی گراد، 172و 2368 میلیمتر می باشد.در شکل .1 موقعیت جغرافیایی این زیرحوضه در حوضه گاوخونی و همچنین موقعیت حوضه گاوخونی در ایران را مشاهده می کنیم.
شکل - 1 محدوده مطالعاتی نجف آباد در حوضه آبریز گاوخونی در ایران
آبخوان نجفآباد در مناطق مختلف، به طور طبیعی و مصنوعی تحت تأثیر پارامترهای مختلفی از جمله: تخلیه آب زیرزمینی، آب سطحی در شبکههای آبیاری، بارندگی، نفوذ از بستر رودخانه و... قرار دارد. همچنین شرایط فیزیوگرافی متنوع در دشت نجفآباد موجب گردیده تا تأثیر هرکدام از پارامترها در مناطق مختلف، متفاوت باشد. در این تحقیق از دو منطقه راست و چپ نکوآباد - واقع در زیر حوضه نجف آباد - که در آن ها پارامترهای برداشت از آب زیرزمینی و آب توزیع شده در شبکههای آبیاری نکوآباد، پارامترهای تعیین کننده هستند، استفاده شده است.[10] منطقه راست که در سمت راست رودخانه زاینده رود می باشد، دارای 8 پیزومتر مشاهده ای و منطقه چپ که در سمت چپ رودخانه می باشد، دارای 10 پیزومتر می باشد.
3. ساختار مدل شبکه عصبی مصنوعی
درحالیکه ساختارهای متنوعی از شبکه عصبی مصنوعی و الگوریتمهای آموزش وجود دارد، شبکههای عصبی پیشخور با قاعده آموزش پس انتشار خطا همچنان بیشترین کاربرد را در حل مسائل فنی- مهندسی دارند. شبکه پیش خور با روش پس انتشار خطا در بسیاری از موارد کاربردی استفاده می شود، به گونه ای که این روش به عنوان یک تقریب زننده فراگیر به اثبات رسیده است.
بهزاد اسدیه و عباس افشار چند ساختار قدرتمند شبکه عصبی مصنوعی به نامهای شبکه عصبی پیشخور - FNN - ، شبکه عصبی بازگشتی - RNN - و شبکه تابع پایه شعاعی - RBF - در پیش بینی سطح آب زیرزمینی را مورد بررسی قرار دادند. نتایج نشان داد که از شبکه عصبی پیشخور - FNN - با الگوریتم آموزش لونبرگ- مارکوارت می توان به خوبی در مدلهای مدیریت تلفیقی منابع آب سطحی و زیرزمینی استفاده کرد.
مسلمی و همکاران - 2005 - نیز با هدف پیشبینی سطح آب زیرزمینی به ارزیابی توانایی شبکههای عصبی مختلف پرداختند. آنها اظهار کردندکه بهترین نتایج مربوط به شبکههای عصبی پیشرو با الگوریتم پس انتشار خطا میباشد.
4. نرمالسازی دادهها
با نرمالسازی داده ها میتوان آموزش شبکه عصبی را بهبود بخشید. عموما برای شبکههای چند لایه که متغیرهای موجود در آن پیوسته هستند، از توابع فعالسازی سیگموئید استفاده میشود. این توابع در صورتی که ورودی آنها بزرگتر از 3 باشد، اشباع میشوند. اگر این اتفاق در ابتدای فرآیند آموزش رخ دهد، مقدار گرادیان بسیار کوچک میشود و سرعت آموزش شبکه بسیار کاهش می یابد. به جهت جلوگیری از اشباع شدن این توابع در لایه اول وزنهای بسیار کوچکی انتخاب می شوند. برای پیشگیری از این اتفاق دادههای ورودی را نرمالسازی میکنند.
در اکثر شبکهها از جمله چند لایه پیشخور، خود شبکه عصبی بهترین تابع نرمالسازیی که مناسب دادهها می باشد را انتخاب و روی ورودی و خروجی اعمال میکند. یکی از این توابع، تابع نرمال سازی بر اساس حداقل و حداکثر1 میباشد. این تابع ورودیها را به بازه 1] و [-1 میبرد و در نهایت خروجیهایی در همین بازه را ایجاد میکند که با اعمال کردن این تابع به صورت معکوس بر مقدار خروجیهای نرمالسازی شده، میتوان به مقدار خروجیهای واقعی دست یافت. شبکه عصبی مورد استفاده در این تحقیق نیز این تابع نرمالسازی را بر روی ورودیهای خود اعمال کرده است. فرمول این تابع به صورت زیر است:
که در آن x مقدار دادهای است که در هر ردیف از دادهها میخواهد نرمال سازی شود. y مقدار دادهی نرمالسازی شده متناظر با x می باشد.
ymax بترتیب حداقل و حداکثر مقدار برای هر ردیف y می باشند که به صورت پیش فرض مقدار -1 و 1 در نظر گرفته میشوند. xmin و xmax حداقل و حداکثر مقدار در هر ردیف از دادهها می باشند.
5. ورودی ها و خروجی شبکه عصبی
هدف نهایی از مدل شبیهساز در این مقاله بدست آوردن تراز آب زیرزمینی در هر یک از مناطق می باشد. از آنجا که معادلات آب زیرزمینی بر مبنای قانون بقای جرم هستند، از این رو تعیین ورودی و خروجی های موثر بر این تغییرات امری ضروری است.
ورودی ها و خروجی در این منطقه عبارتند از: میزان برداشت از آب زیرزمینی در گام زمانی جاری، میزان مصرف آب توسط شبکههای آبیاری مدرن نکوآباد در گام زمانی جاری، میزان بارندگی در گام زمانی جاری، میانگین دمای ماهانه در گام زمانی جاری، تفاوت حجم آب ورودی و خروجی توسط رودخانه - تفاوت هیدرومتری - در گام زمانی جاری، میانگین تراز آب هر منطقه در گام زمانی قبل به منظور وارد کردن شرایط اولیه، میانگین تراز آب مناطق مجاور آن - بالادست و پایین دست - در گام زمانی قبل به منظور وارد کردن شرایط مرزی آبخوان - در واقع تأثیر تغییرات سطح آب زیرزمینی در هر منطقه بر شرایط مناطق مجاور نیز در نظر گرفته خواهد شد - ، تاخیر زمانی برخی از ورودیها که با این کار ناهمسانی زمانی آب سطحی و زیرزمینی و تاثیر دراز مدت پارامترهای هواشناسی بر روی آب زیرزمینی دیده خواهد شد. در نهایت خروجی شبکه نیز میانگین تراز آب زیرزمینی در هر منطقه در انتهای گام زمانی جاری میباشد. مجموعا برای هر منطقه راست و چپ نکوآباد 15 ورودی برای شبکه عصبی و یک خروجی وجود دارد.
