بخشی از مقاله
چکیده
رودخانه ها به عنوان مهمترین منابع تامین و انتقال آب مصرفی بخش های صنعت، کشاورزی و شهری از اهمیت خاصی برخوردار بوده و به علت اینکه از بسترها و مناطق مختلفی می گذرند، نوسانات کیفی زیادی دارند. منظور از TDS، کل مواد جامد محلول در آب است که برابر با مجموع غلظت همه یون های محلول در آب می باشد .اکثر مدل های موجود در زمینه پیش بینی و شبیه سازی شرایط موجود وضعیت کیفی رودخانه ها نیازمند پارامترهای ورودی بسیاری هستند که یا دسترسی به آن ها مشکل است. داده های استفاده شده مربوط به ایستگاه نهارخوران در بازه سالهای 1347تا 1390، شامل غلظت های سدیم، کلسیم، منیزیم، کلر، سولفات، بی کربنات، PH و دبی به عنوان پارامترهای ورودی به مدل و پارامتر کل مواد محلول - - TDS به عنوان پارامتر خروجی می باشد. عملکرد مدل شبکه عصبی نشان داد که شبکه عصبی پرسپترون چند لایه در پیش بینی غلظت مواد محول نتایج قابل قبولی ارائه می دهد. شبکه در حالت 20 نرون در لایه پنهان کمترین خطا - RMSE - را داراست و ضریب تشخیص - - R2 داده های خروجی برابر 0.942 می باشد.
واژههای کلیدی: کل مواد جامد محلول - - TDS،شبکه عصبی مصنوعی،شبیه سازی،آزمایش شبکه، کیفیت آب
مقدمه
در طی چند دهه اخیر به دلیل محدودیت منابع آب شیرین بحث حفاظت کیفی از منابع آب بیشتر مورد توجه محققان و مدیران منابع آب واقع شده است.و همچنین توسعه روزافزون فعالیت های کشاورزی و صنعتی و افزایش قابل توجه حجم فاضلابهای شهری موجب آلودگی منابع آب، خصوصا رودخانه ها گشته، به نحوی که کیفیت این منبع حیاتی آب را در بسیاری از نقاط مورد مخاطره جدی قرار داده و در برخی نقاط منجر به مرگ بیولوژیکی رودخانهها گردیده است.با توجه به مشکلات کمی و کیفی منابع آب کشور و واقع شدن ایران در منطقه خشک و نیمه خشک و رویارویی با بحران های کم آبی، تدوین برنامه های مدیریت کیفی برای کلیه منابع آبی، راهکاری ضروری و غیر قابل اجتناب در جهت حفاظت و بهره برداری پایدار از منابع آبی است.[1]
حفاظت کیفی آب رودخانه ها نیاز به سرمایه گذاری های اضافی برای تصفیه پساب ها، یا سیستم های جمع آوری،و کنترل زه آب ها داشته و از طرفی ممکن است منجر به محدود کردن توسعه فعالیت ها در حوضه آنها گردد، و در نتیجه اثرات اقتصادی قابل توجهی داشته باشد. از این رو بررسی و پیش بینی تغییرات پارامترهای کیفی آب در طول یک رودخانه بایستی مورد توجه قرار گیرد. اطلاع از وضعیت کیفی آب های سطحی این امکان را فراهم می سازد تا ضمن استفاده از آن در موارد مختلف شیوه هایی اتخاذ شود تا کمترین آسیب به این منبع وارد شود.[2]
اشکال عمده مدل های کیفی بطورکلی این است که این مدل ها عموما در شرایط خاص بصورت تجربی بدست آمده اند و ممکن است بکارگیری آنها از یک رودخانه به رودخانه دیگر نیاز به کالیبراسیون ضرایب آن ها داشته باشد.[3]
فردی و همکاران - 1388 - برای مطالعه شوری در ایستگاه هیدرومتری ونیار در حوضه آبریز رودخانه آجی چای - تلخه رود - واقع درشمال غرب ایران، از داده های ورودی، دبی با تاخیر زمانی یک ماهه از روش شبکه عصبی مصنوعی استفاده کردند..[4]قبادیان و مشایخی - 1387 - از مدل شبکه عصبی به منظور پیش بینی پارامترهای کیفی آب رودخانه قره سو در محل ایستگاه قرباغستان، واقع بر روی این رودخانه در نزدیکی شهر کرمانشاه، استفاده نمودند .پارامترهای دبی، روز سال و دمای آب به عنوان پار امترهای ورودی به شبکه و برای پیش بینی پارامترهای کیفی آب شامل نسبت جذبی سدیم - - SAR ، هدایت الکتریکی - EC - ، تعریف شده اند.[5]
بختیاری و همکاران - - 1386، جهت ارزیابی کیفی رودخانه کرخه از شبکه های عصبی استفاده کردند .در این راستا،پارامتر های اندازه گیری شده در 3 ایستگاه هیدرومتری موجود در طول رودخانه - ایستگاه های حمیدیه، جلوگیر، و پای پل - ، EC، TDS و SAR بکار گرفته شده است .روز سال، دبی، اشل سطح آب، و دمای اندازهگیری شده در ایستگاه های مورد نظر به عنوان ورودی های مدل تعریف شده اند . نتایج حاصله توانایی بالای شبکه عصبی مصنوعی را در پیش بینی کیفیت آب رودخانه کرخه نشان داده است.[6]کرمی و همکاران - - 1385، از شبکه های عصبی مصنوعی برای پیش بینی کیفیت آب رودخانه کارون با استفاده از پارامترهای اندازه گیری شده در 4 ایستگاه پل شالو، ملاثانی-رامین، اهواز، و فارسیات بهره گرفتند .
بدین منظور روز سال، دبی، اشل سطح آب و دمای آب، EC، اندازه گیری شده در این ایستگاه ها را، به عنوان ورودی های مدل در نظر گرفته و با استفاده از مدل شبکه عصبی TDS و SAR اندازه گیری شده در ایستگاه ها را پیش بینی کردند. نتایج بدست آمده توانایی بالای شبکه های عصبی مصنوعی را در پیش بینی کیفیت آب رودخانه کارون نشان دادند.[7]سینگ و همکاران - 2009 - ، مدل شبکه عصبی مصنوعی را برای تخمین میزان غلظت اکسیژن محلول - DO - و اکسیژن مورد نیاز بیولوژیکی - BOD - رودخانه Gomti در هند توسعه دادند،که نتایج مدل تطبیق خوبی با مقادیر اندازه گیری شده و مورد انتظار برای غلظت های رودخانه داشت .[8]
ساندهو وفینچ نیز توانایی شبکه های عصبی مصنوعی را برای پیش بینی روزمره و واقعی میزان شوری در آبهای حوضه های مختلف و توانایی تخمین میزان غلظت کاتیون،آنیون،مقدار EC و TDS در این حوضه ها مورد تاکید قرار دادند.[9]والی و فونتانا در یک تحقیق در انگلستان،کیفیت آب رود خانه های بریتانیا را توسط شبکه های عصبی مصنوعی با استفاده از الگوریتم انتشار برگشتی بررسی کردند و به دقت 95.62 درصد رسیدند.[10]
پالانی و همکاران - 2008 - ، از شبکه های عصبی برای پیش بینی مشخصات کیفی آب های ساحلی سنگاپور بهره گرفتند. آن ها مدل خود را برای ارزیابی و پیش بینی پارامترهای کیفی آب در هر نقطه در محدوده مورد مطالعه با توجه به پارامترهای اندازه گیری شده در دیگر نقاط راه اندازی نمودند. پارامترهای مورد نظر عبارتند از شوری، دما،DO و کلروفیل a -که نتایج نشان داد که شبکه عصبی توانایی فوق العاده ای در شبیه سازی پارامترهای کیفی آب دارد .[11]هدف از این مقاله استفاده از شبکه عصبی جهت شبیه سازی و پیش بینی پارامتر کل مواد جامد محلول در آب با استفاده از سایر پارامتر های کیفی مربوط به TDS می باشد.
2. مواد و روش ها
2.1.روش تحقیق
در این مقاله پارامتر هایی از کیفیت آب - سدیم، کلسیم، منیزیم، کلر، سولفات، بی کربنات، PH ، دبی و - TDS از ایستگاه هیدرومتری ناهارخوران واقع در رودخانه زیارت از حوضه قره سو واقع در استان گلستان در یک دوره 43 ساله - 1347 تا - 1390 انتخاب گردیده است. پس از مرتب کردن داده ها، حدود 400 نمونه داده از هر نوع پارامتر موجود می باشد. از این 400 نمونه 80 درصد داده ها برای آموزش شبکه،10 درصد برای آزمایش شبکه و 10 درصد دیگر برای صحت سنجی شبکه مورد استفاده قرار می گیرد.
.2.2 موقعیت منطقه مورد مطالعه
منطقه مورد مطالعه، قسمتی از محدوده شهر گرگان است که رودخانه زیارت نیز از آن ناحیه عبور می نماید .این محدوده بین 54° 26 2 تا 54° 28 10 طول شرقی و 36° 47 22 تا 36° 52 13 عرض شمالی قرار دارد - شکل - 1 رودخانه زیارت از ارتفاعات حوزه آبخیززیارت سرچشمه گرفته که وسعت حوزه آن تا محل ایستگاه هیدرومتری ناهارخوران حدود 100 کیلومتر مربع می باشد .طول این رودخانه از این ایستگاه تا انتهای بازه مورد مطالعه 10.5 کیلومتر است.
.3.2 شبکه های عصبی مصنوعی
مدل های پیش بینی عموما، به دو دسته مدل های آماری و مدل های فیزیکی یا ریاضی تقسیم می شوند. مدل های آماری، روابط بین داده های پیشین را تعیین می کنند، درحالیکه مدل های فیزیکی، مستقیما فرایند های فیزیکی درونی را مدل می نمایند. طی دهه اخیر مدل های جدیدی به نام شبکه های عصبی مصنوعی به ابزار پیش بینی افزوده شده اند که نتایج قابل قبولی در زمینه های مختلف کاربردی مانند کاربری اراضی،پیش بینی جریان سیل و پیش بینی پارامتر های کیفیت آب از خود نشان داده اند. شبکه عصبی مصنوعی در واقع شبیه سازی دستگاه عصبی طبیعی است و شامل مجموعه ای از واحد های عصبی به نام نرون1 می باشد که توسط ارتباطاتی موسوم به آکسون2 به هم متصل هستند.
در شبکه های عصبی مصنوعی سعی بر این است که ساختاری مشابه ساختار بیولوژیکی مغز انسان و شبکه عصبی بدن طراحی شود تا همانند آن،قدرت یادگیری، تعمیم دهی و تصمیم گیری داشته باشد. در این شبکه ها، هدف آن است که با معرفی تاریچه عملکرد یک سیستم دینامیکی، مدل آموزش یافته و سپس بر اساس آن در مواردی که مدل قبلا با آن مواجه نشده است، مورد استفاده قرار گیرد. متداول ترین شبکه ها در پیش بینی و حل مسائل غیرخطی، شبکه های موسوم به چند لایه پرسپترون - MLP - 3 می باشند. - شکل - 2 ، شبکه عصبی مصنوعی سه لایه که در این تحقیق به کار رفته است را نشان میدهد .
آموزش این شبکه ها با استفاده از الگوریتم پس انتشار خطا - BP - 4 صورت می پذیرد. الگوریتم پس انتشار خطااساساً دارای دو مسیر اصلی است؛ مسیر رفت که در آن بردار ورودی به شبکه MLP اعمال می شود و تأثیراتش از طریق لایه های پنهان، به لایه خروجی انتشار می یابد. مسیر بازگشت که پارامترهای شبکه مطابق با قانون یادگیری اصلاح خطا تغییر یافته و تنظیم می شوند. سیگنال خطا، در لایه خروجی شبکه محاسبه می گردد و پارامترهای شبکه طوری تنظیم می شوند که پاسخ واقعی شبکه هرچه بیشتر به پاسخ مطلوب نزدیکتر شود.
