بخشی از مقاله

چکیده:

به منظور بهره برداری بهینه و مدیریت مناسب در یک حوضه آبریز شناخت کافی از حوضه و ارائه مدلی جهت معرفی بارش-رواناب آن ضروری است. تاکنون مدلها و روش های مختلفی برای تخمین و شبیه سازی فرآیند بارش- رواناب ارائه شده است که با استفاده از آنها شدت جریان رودخانه ها پیش بینی می شود.

در این تحقیق از دو مدل شبکه های عصبی مصنوعی مبتنی بر توابع پایه شعاعی - RBF - و سیستم تطبیقی استنتاج فازی- عصبی - ANFIS - بعنوان مدلهای مبتنی بر هوش مصنوعی برای شبیه سازی فرآیند بارش- رواناب و تخمین آورد روزانه رودخانه مهاباد استفاده شده است و نتایج این دو مدل با نتایج مدل مفهومی HEC-HMS مقایسه شده است.

کارایی مدلهای توسعه داده شده در این تحقیق با استفاده از معیارهای آماری، مجذور متوسط مربعات خطای نسبی - RRMSE - ، متوسط خطای مطلق - MAPE - و ضریب تبیین - R2 - مورد ارزیابی قرار گرفته است. بررسی نتایج نشان می دهد که مدلسازی فرآیند بارش- رواناب با استفاده از مدل ANFIS در مقایسه با مدلهای HEC-HMS و RBF دقت بهتری داشته است.

مقدمه:

شناخت رفتار دینامیکی فرآیند بارش- رواناب یکی از اساسی ترین و پیچیده ترین مراحل در طراحی پروژه های آبی است. این فرآیند در تخمین جریان رودخانه ها، تولید انرژی، کنترل سیل، تنظیم نیازهای آبی و آبیاری، زهکشی، بازیافت، آبزی پروری و ... نقش ویژه ای دارد. هیچکدام از مدل های آماری و مفهومی موجود جهت الگوسازی دقیق فرآیند بارش- رواناب با وجود روابط غیر خطی، عدم قطعیت و ویژگی های متغیر زمانی و مکانی در سیستم های گردش آبی، نتوانسته اند به عنوان یک مدل برتر و توانا شناخته شوند.

از گذشته های دور تحقیقات وسیعی راجع به مدلسازی فرآیند بارش در سطح حوضه و تبدیل آن به رواناب و سیل خروجی از حوضه انجام شده است. در این تحقیق تنها مطالعاتی که فرآیند بارش- رواناب را با استفاده از سه مدل HEC-HMS، شبکه های عصبی مصنوعی - ANN - و سیستم استنتاج فازی- عصبی - ANFIS - شبیه سازی نموده اند مورد بررسی قرار گرفته است.

مدل HEC-HMS توسط انجمن مهندسین هیدرولوژی ارتش آمریکا در سال 1998 مطرح شده است که فرآیندهای بارش- رواناب در سطح حوضه را به روش مفهومی مدلسازی می نماید. کاسمین - 2003 - 1 مدل HEC-HMS را برای سنجش اثرات تأخیری حوضه بر هیدروگراف خروجی استفاده نمود، مطیعی و باربد - 1381 - از نرم افزار GIS و مدل HEC-HMS جهت پیش بینی و مدلسازی رفتار هیدرولیکی رودخانه سفید رود در مقابل سیلاب های احتمالی و پهنه بندی آنها استفاده نمودند.

استفاده از شبکه های عصبی مصنوعی در فرآیندهای هیدرولوژیکی بعلت طبیعت مسائل هیدرولوژیکی و توانایی شبکه های عصبی مصنوعی در روابط غیر خطی، در سالهای اخیر معمول شده است. سالاس و همکاران - 2001 - 1 شبکه های عصبی مصنوعی را برای محاسبه تغییرات ماهانه جریان در رودخانه لس پینوس در کلرادوی آمریکا بکار بردند. چن و لین 2 در سال 2004 شبکه های عصبی مصنوعی با تابع پایه شعاعی را برای پیش بینی رواناب حوضه آبخیز یک مخزن در شمال تایوان بکار بردند. زارع و قادری - 1387 - تأثیر و مقایسه توابع محرک شبکه عصبی مصنوعی را در شبیه سازی فرآیند بارش - رواناب در حوضه آبریز گدارچای مورد مطالعه قرار دادند و نتیجه گرفتند که شبکه عصبی مصنوعی دقت بالایی در پیش بینی رواناب رودخانه داشته است.

سیستم استنتاج فازی- عصبی - ANFIS - از الگوریتم های یادگیری منطق فازی و شبکه عصبی جهت طراحی نگاشت غیر خطی بین فضای ورودی و خروجی استفاده می کند و از آنجا که این سیستم توانایی بالایی در ترکیب قدرت زبانی یک سیستم فازی با قدرت عددی یک شبکه عصبی دارد می تواند در مدلسازی فرآیندهایی همچون هیدرولوژی و هیدروژئولوژی، مدیریت مخازن و برآورد بار رسوب معلق کاربرد فراوانی داشته باشد

سیستم استنتاج فازی- عصبی تطابقی در مقایسه با دو روش قبلی سابقه کمتری دارد و در سالهای اخیر در مدلسازی مسائل منابع آب و هیدرولوژی رواج بیشتری یافته است. نایاک و همکاران - 2004 - 3 قابلیتهای تطبیقی استنتاج فازی-عصبی را در شبیه سازی فرآیند بارش- رواناب در حوضه نرمادا در هند ارزیابی نمودند و طبق نتایج بدست آمده استفاده از داده های شدت جریان در زمانهای قبلی نسبت به استفاده از بارش رخ داده در سطح حوضه نتایج بهتری داشته است. محمد اقیل و همکاران4 در سال 2007 مطالعه ای مقایسه ای بین دو نوع شبکه عصبی پیشرو و سیستم استنتاج فازی - عصبی در اندونزی انجام دادند که با توجه به نتایج آن می توان دریافت که مدل فازی- عصبی در شبیه سازی فرآیند پیچیده بارش- رواناب تطبیق پذیرتر و قابلیت تعمیم یافتن بهتری دارد.

مواد و روش ها:

مدل : HEC-HMS

نرم افزار HEC-HMS نسخه توسعه یافته HEC-1 برای شبیه سازی فرآیند بارش- رواناب حوضه آبریز طراحی شده است. در مدل HEC-HMS برای محاسبه رواناب از روش های هیدروگراف واحد اشنایدر5، هیدروگراف واحد SCS، هیدروگراف واحد کلارک6 و روش روندیابی موج کینماتیک7 سیلاب جهت محاسبه رواناب استفاده می شود. در شکل - 1 - اصول مدل HEC-HMS در شبیه سازی فرآیند بارش- رواناب ارائه شده است، مدل HEC-HMS برای شبیه سازی هر کدام از مؤلفه های شکل - 1 - مدل جداگانه ای را استفاده می نماید که این مدل ها عبارتند از مدلهای محاسبه حجم رواناب، مدلهای محاسبه رواناب مستقیم، مدلهای جریان پایه، مدلهای جریان رودخانه.

شکل : - 1 - اصول مدل HEC-HMS در شبیه سازی فرآیند بارش- رواناب

مدل شبکه های عصبی مصنوعی 1 - ANN -

شبکه عصبی مصنوعی یک شبیه سازی از دستگاه عصبی طبیعی است که از مجموعه واحدهای - سلول های - عصبی که از طریق اتصالاتی با هم ارتباط دارند، تشکیل می شود. در شبکه های عصبی مصنوعی - ANN - سعی بر این است که ساختاری مشابه ساختار بیولوژیک مغز انسان و شبکه اعصاب بدن ساخته شود تا همانند آن قدرت یادگیری، تعمیم دهی و تصمیم گیری داشته باشد و هدف آن است که با معرفی تاریخچه عملکرد یک سیستم دینامیکی، مدل را آموزش بدهیم، نحوه عملکرد سیستم را در حافظه مدل ذخیره نماییم و از آن برای مواردی که مدلقبلاً با آن مواجه نشده است، استفاده کنیم. ویژگی منحصر به فرد ANN توانایی آن در استخراج روابط بین ورودی و خروجی های یک فرآیند بدون نیاز به شرایط پیچیده فیزیکی است. آنها قادرند حتی اگر اطلاعات ناقص و مملو از خطا باشد یک فضای چند گانه را به دیگری تطبیق دهند.

شبکه های عصبی مصنوعی دارای انواع مختلفی هستند که مبتنی بر جهت ورود اطلاعات و پردازش آنها به انوع شبکه های عصبی پیشرو 3 - FFNN - ، شبکه های بازگشتی 4 - RN - ، شبکه های پرسپترون چند لایه 5 - MLP - و شبکه های توابع پایه شعاعی 6 - RBF - تقسیم می شوند، در این تحقیق از مدل شبکه های توابع پایه شعاعی - RBF - ، که از جمله شبکه های پیشرو همراه با سه لایه است، استفاده می شود.

شبکه های عصبی مصنوعی قادر به یادگیری روابط حاکم بر یک پدیده می باشند و پس از آموزش نهایی، شبکه به یک مقدار ثابت از اوزان دست پیدا می کند. بین ورودی ها و وزن ها رابطه یک به یک وجود ندارد، یعنی هر وزن مربوط به همه ورودی هاست ولی به هیچ یک از آنها بطور منفرد و مجزا مربوط نمی باشد . در این سیستم فعالیت های پیچیده با ساختاری موازی انجام می شود و به جای آنکه تمام فعالیت ها را یک واحد محاسباتی انجام دهد تعداد زیادی واحدهای محاسباتی ساده بصورت مشترک انجام آنرا بر عهده دارند بنابراین وجود خطا در یکی از آنها و نتیجه آن تأثیر چندانی بر روی سایر واحدهای محاسباتی نخواهد داشت.

در متن اصلی مقاله به هم ریختگی وجود ندارد. برای مطالعه بیشتر مقاله آن را خریداری کنید