بخشی از مقاله
چکیده
کیفیت آب از جمله مسائلی است که با سلامتی، بهداشت فردی و عمومی جامعه نسبت مستقیم دارد. اهمیت کنترل آبهای سطحی و زیرزمینی بر هیچ کس پوشیده نیست. لزوم پایش آب و تامین شرایط بهداشتی و استاندارد برای آشامیدن باعث شده که کنترل کیفیت آب از اهمیت بالایی برخوردار باشد. در این تحقیق با استفاده از آمار کیفی 50 حلقه چاه مشاهداتی واقع در استان گلستان که دارای سال آماری مشترک بودند به پیشبینی پارامترهای کیفی آب شامل سختی کل - - TH و نسبت جذب سدیم - - SAR پرداخته شد. نتایج این تحقیق نشان داد که با استفاده از شبکههای عصبی مصنوعی میتوان پارامترهای کیفی آبهای زیرزمینی را با دقت بالا نسبت به روشهای تجربی پیشبینی کرد.
مقدمه
آب و منابع آبی به عنوان یکی از پایههای اصلی توسعه پایدار در دنیای امروزی به شمار میروند. به موازات افزایش جمعیت، افزایش سطح زیر کشت محصولات آبی، گسترش صنایع و سایر فعالیتهای بشری، تقاضای مصرف آب نیز رو به افزایش می-باشد که با توجه به محدودیت منابع آب سطحی مناسب، انسانها را به سمت بهرهبرداری از ذخائر آب زیرزمینی سوق داده است. به همین جهت شناخت کیفیت آب زیرزمینی یکی از مهمترین مراحل مدیریت بهینه سفره آب زیرزمینی میباشد.
در سالهای اخیر مدلهای ریاضی و کامپیوتری بسیاری به منظور شبیهسازی رفتار منابع آبهای زیرزمینی مورد توجه قرار گرفته است که اکثر آنها نیازمند دادههای وسیع و دقیقی میباشند که فراهم سازی این دادهها جهت اجرای مدل به خاطر تغییرات مکانی آنها و همچنین در دسترس نبودن مطالعات قبلی سخت و مشکل میباشد. در این میان مدلهای شبکههای عصبی مصنوعی1 برای مدلسازی رفتار پدیدههای مختلف مورد توجه محققین زیادی قرار گرفتهاند. روش شبکه عصبی ابزاری قدرتمند جهت شبیهسازی فرآیندهای پیچیده و غیر خطی به شمار میرود. تحقیقات بسیار زیادی در جهان در مورد کاربرد شبکههای عصبی در علوم آب صورت گرفته است که از آن جمله میتوان به پیشبینی بارندگی، مدلسازی آبهای زیرزمینی و پیشبینی جریان رودخانه اشاره کرد.
در این تحقیق با استفاده از آمار کیفی 50 حلقه چاه مشاهدهای در سطح استان گلستان به شبیهسازی پارامترهای کیفی سختی کل - TH - 2 و نسبت جذب سدیم - SAR - 2 به کمک شبکه عصبی پرسپترون چندلایه - MLP - 3 با الگوریتم آموزشی پس انتشار خطا - BP - 4 پرداخته شد.
پیشینه پژوهش
چاوز و چانگ - - 2006 برای شبیهسازی مشخصات کیفی مخزن سد شیمن 5 بر روی رودخانه تاهان6 در تایوان از شبکههای عصبی مصنوعی بهره بردند. دادههای هواشناسی و هیدرولوژیکی به عنوان ورودی و پارامترهای کیفی شامل اکسیژنخواهی بیوشیمیایی - BOD - 7، اکسیژن محلول - DO - 8، فسفر کل و کلروفیل به عنوان خروجی مدل تعریف شد. نتایج نشاندهنده توانایی بالای شبکه عصبی مصنوعی در پیشبینی پارامترهای کیفی رودخانه مورد مطالعه است.
پلانی و همکاران - - 2008 از شبکههای عصبی برای پیشبینی مشخصات کیفی آبهای ساحلی سنگاپور بهره گرفتند. آنها مدل خود را برای ارزیابی و پیشبینی پارامترهای کیفی آب در هر نقطه در محدوده مورد مطالعه با توجه به پارامترهای اندازهگیری شده در دیگر نقاط راهاندازی نمودند. پارامترهای مورد نظر شامل شوری، دما، اکسیژن محلول، و کلروفیل بودند. نتایج نشان داد که شبکه عصبی توانایی فوقالعادهای در شبیهسازی پارامترهای کیفی آب دارد.
دوغان و همکاران - - 2007 از شبکههای عصبی مصنوعی برای تخمین غلظت BOD با استفاده از دادههای مربوط به 11 ایستگاه بر روی رودخانه ملن9 استفاده کردند. نتایج این تحقیق نشان داد که مدل شبکه عصبی تخمین قابل قبولی برای غلظت پارامتر مذکور ارائه میدهد. سینگ و همکاران - - 2009 مدل شبکه عصبی مصنوعی را برای تخمین میزان غلظت اکسیژن محلول - - DO و اکسیژنخواهی بیوشیمیایی - - BOD رودخانه گمتی10 در هند توسعه دادند. ورودی مدل ارائه شده عبارت است از 11 پارامتر کیفی آب که طی ده سال بطور ماهانه در 8 ایستگاه مختلف اندازهگیری شده بود. آنها عملکرد مدلشان را با استفاده از مربع ضریب همبستگی - - R2 و خطای کمترین مربعات - RMSE - 11 و مقایسه با مقادیر اندازهگیری شده ارزیابی نمودند.
نتایج مدل تطبیق خوبی با مقادیر اندازهگیری شده و مورد انتظار برای غلظتهای رودخانه دارد. فاروق - - 2010 با استفاده از مدل ترکیبی شبکه عصبی مصنوعی و سری زمانی کیفیت آبهای سطحی رودخانهای در ترکیه را مورد مطالعه و بررسی قرار داد. نتایج تحقیق نشان داد که با استفاده از مدل پیشنهادی میتوان مقادیر بور، اکسیزن محلول و دمای آب را با دقت قابل قبولی پیشبینی نمود. در ایران نیز اگرچه تحقیقات خوبی راجع به کاربرد شبکه عصبی مصنوعی در شبیهسازی کیفی آبهای سطحی رودخانهها صورت پذیرفته است لیکن مطالعات اندکی در مورد شبیهسازی و پیشبینی کیفی آبهای زیرزمینی انجام شده است.
نوشادی و همکاران - - 1385 به شبیهسازی و پیشبینی برخی از پارامترهای کیفیت آب رودخانه زایندهرود با استفاده از شبکه-های عصبی مصنوعی پرداختند. مقایسه نتایج حاصل از شبیهسازی و مقادیر مشاهده شده نشان داد که پیشبینیهای کیفیت آب توسط شبکه عصبی برای پارامترهای اسیدیته و بیکربنات در حد خیلی خوب و برای هدایت الکتریکی، کل جامدات محلول و کلر در حد نسبتا خوبی صورت گرفته است. کرمی و همکاران - - 1385 به پیشبینی شوری، کل جامدات محلول و نسبت جذب سدیم با استفاده از شبکه عصبی مصنوعی در رودخانه کارون پرداختند و اظهار داشتند که شبکه عصبی مصنوعی توانایی بالایی در پیشبینی کیفیت آب رودخانه کارون از خود نشان داد.
بختیاری و همکاران - - 1386 جهت ارزیابی کیفیت رودخانه کرخه از شبکه عصبی مصنوعی استفاده کردند. نتایج حاصله توانایی بالای شبکه عصبی مصنوعی را در پیشبینی کیفیت آب رودخانه کرخه تایید کرد. قبادیان و مشایخی - - 1387 از مدل شبکه عصبی به منظور پیشبینی پارامترهای کیفی آب رودخانه قرهسو در محل ایستگاه قرباغستان واقع بر روی این رودخانه در نزدیکی شهر کرمانشاه استفاده نمودند. مقایسه پارامترهای کیفی پیشبینی شده توسط مدل آنها با مقادیر اندازهگیری شده نشان داد که مدل آنها در پیشبینی مناسب پارامترهای کیفی آب رودخانه قره سو در ایستگاه مذکور توانایی قابل توجهی دارد.
فردی و همکاران - - 1388 برای مطالعه شوری در ایستگاه هیدرومتری ونیار در حوضه رودخانه تلخهرود واقع در شمال غرب ایران از روش شبکه عصبی مصنوعی و دادههای پایش شده وزارت نیرو استفاده کردند. خضیرپور و همکاران - - 1389 به شبیهسازی مقدار EC آب رودخانه کارون با استفاده از شبکه عصبی مصنوعی پرداختند. بدین منظور با استفاده از پارامترهای دما، کلر، کلسیم، سدیم و منیزیم اندازهگیری شده در چهار ایستگاه هیدرومتری در یک دوره بیست ساله، پارامتر هدایت الکتریکی با استفاده از مدل شبکه عصبی پیشبینی گردید. نتایج کار آنها نشان داد که شبکههای عصبی مصنوعی قادر به مدلسازی EC با ضریب همبستگی بسیار بالا و خطای بسیار کم میباشد.
میرزایی و ناظمی - - 1389 تغییرات کیفیت آب رودخانه صوفی چای واقع در آذربایجان شرقی را با استفاده از شبکههای عصبی مصنوعی پیشبینی نمودند. مقایسه خروجیهای شبکه عصبی با مقادیر اندازهگیری شده نشان داد که شبکه-های عصبی میتوانند با حداقل پارامترهای اندازهگیری شده و با دقت قابل قبولی تغییرات پارامترهای کیفی رودخانه را پیش-بینی کنند.
محمودی و همکاران - - 1390 شوری آب زیر زمینی دشت دهگلان استان کردستان را با استفاده از شبکه عصبی مصنوعی تخمین زدند. نتایج این تحقیق نشان داد که مدل شبکه عصبی با ضریب همبستگی برابر با 0/998 از توانایی و قابلیت بالایی در این زمینه برخوردار میباشد.
صفار تلوری و دهقانی - - 1391 پارامترهای کیفی رودخانه شصت کلاته واقع در استان گلستان را با کمک شبکه عصبی مصنوعی با دقت قابل قبولی پیشبینی نمودند. خردمند و سلیمانی - - 1391 با استفاده از شبکه عصبی مصنوعی پرسپترون چندلایه به پیشبینی اکسیژن محلول در مخزن سد لتیان اقدام نمودند. نتایج تحقیق آنها دقت بالای این روش را در پیشبینی کیفیت آب تایید نمود.
مواد و روشها
شبکههای عصبی مصنوعی
شبکههای عصبی مصنوعی برای اولین بار در سال 1943 توسط مک کولاک و پیتس معرفی شد ولی برای مدتهای طولانی بدون استفاده بود تا اینکه بعدها با توسعه رایانهها و همچنین ظهور الگوریتم آموزش پس انتشار خطا برای شبکههای پیشخور در سال 1986 توسط راملهارت و همکاران استفاده از آنها وارد مرحله تازهای گردید
این شبکهها در واقع یکی از انواع سیستمهای دینامیکی هوشمند میباشند. این سیستمها مبتنی بر دادههای تجربی بوده و با محاسبات روی دادهها قوانین کلی را فرا میگیرند و در واقع سعی بر این است که ساختاری مشابه ساختار بیولوزیکی مغز انسان و شبکه عصبی بدن طراحی شود تا همانند آن قدرت یادگیری، تعمیمدهی و تصمیمگیری داشته باشد. در این شبکهها هدف این است که با معرفی تاریخچه عملکرد یک سیستم دینامیکی مدل آموزش یافته و نحوه عملکرد سیستم در حافظه ذخیره شود تا در مواردی که قبلا با آن مواجه نشده است، مورد استفاده قرار گیرد.
پیادهسازی ویژگیهای مغز بشر در یک سیستم مصنوعی از توسعه کوچکترین عنصر اصلی ساختاری مغز به نام نرون آغاز میشود. یک نرون مصنوعی کوچکترین واحد پردازشگر اطلاعات است، که اساس عملکرد شبکه عصبی را تشکیل میدهد. شبکههای عصبی از لحاظ ساختاری به شبکههای تک لایه و چند لایه تقسیم میشوند. شبکههای عصبی چند لایه از سه نوع لایه شامل لایه ورودی، لایه میانی یا پنهان و لایه خروجی به صورت زیر تشکیل شده است:
لایه ورودی: در این لایه اطلاعات ورودی به مدل معرفی میشوند. 2 لایه - ها - ی مخفی: در این لایه اطلاعات پردازش می-شوند. 3 لایه خروجی: نتایج حاصل از عملکرد مدل تولید میشود. در شکل - 1 - ساختار یک شبکه عصبی در حالتی که یک یا دو لایه پنهان داشته باشد نشان داده شده است.
شکل - : - 1 ساختار شبکه عصبی مصنوعی دارای یک لایه پنهان - سمت راست - و دو لایه پنهان - سمت چپ -
در هر لایه یک یا چند نرون وجود دارد به طوری که عملکرد این نرونها شبیه به عملکرد نرونهای مغز انسان میباشد. بنابراین در یک ساختار شبکه عصبی مجموعهای از نرونها دخالت دارند که هر نرون با همه نرونهای لایه بعد مرتبط است. تعداد نرونهای لایه ورودی برابر تعداد متغیرهای مستقل سیستم مورد نظر میباشد.
