بخشی از مقاله
چکیده
برای شبیه سازی کیفی آبهای زیرزمینی می توان از شبکه عصبی مصنوعی - Artificial Neural Network - استفاده کرد. شبکه عصبی مصنوعی شبیه سازی از مغز و شبکه اعصاب انسان می باشد. در این شبکه ها سعی بر این است که ساختاری مشابه ساختار بیولوژیکی مغز انسان و شبکه اعصاب بدن ساخته شود تا همانند مغز قدرت یادگیری، بسط یافته ها و تصمیم گیری داشته باشد.
شبکه های عصبی مصنوعی توسط یک سری محدود از داده های واقعی آموزش می بینند و چنانچه پارامترهای موثر بر پدیده مورد بررسی بصورت صحیح انتخاب و به شبکه داده شوند می توان انتظار داشت که بر پایه آموزش داده شده، تجزیه و تحلیل پدیده در آینده با موفقیت انجام شده و نتایج واقعی از شبکه دریافت می گردد. به عنوان مطالعات میدانی در این تحقیق، دشت تهران مد نظر قرار گرفته است.
این ناحیه از شمال به بخش جنوبی ارتفاعات البرز و از مشرق به تپه های هزار دره و کوههای سه پایه و رودخانه سرخه حصار و از مغرب به رودخانه کن و از جنوب توسط کوههای بی بی شهربانو و دامنه شمالی ارتفاعات کهریزک محدود می گردد. به منظور عملی س اختن این تحقیق محدوده مورد مطالعه به تعدادی شبکه تقسیم گردیده و کلیه داده های بیلان آبهای زیرزمینی در هر یک از شبکه ها به عنوان داده های ورودی و TDS برداشت شده از چاههای مشاهداتی به عنوان خروجی شبکه مورد توجه قرار گرفته است. در این تحقیق تعداد 70 آزمون توسط شبکه عصبی انجام و نتایج آنها با هم مقایسه و بهترین آن به عنوان مدل برگزیده شده است.
برای آموزش برنامه از داده های سال 74 - 73 استفاده شده و به منظور آزمون اعتبار مدل از یک سری اطلاعات میدانی دیگر - سال - 75 -74 استفاده به عمل آمده است. نتایج بدست آمده در این مقاله نشان می دهد که علیرغم اطلاعات نسبتا کم میدانی، شبکه عصبی مصنوع ی قابلیت آموزش پذیری در آبهای زیرزمینی را داراست و توانایی شبیه سازی بیلان آبهای زیرزمینی را با خطای کمتر از %5 دارد. بنابراین از آن می توان در برنامه ریزیهای حوضه های آب زیرزمینی و بهینه سازی بهره برداری از آنها استفاده نمود.
مقدمه
سفره آبهای زیرزمینی را امروزه نمی توان بصورت منابع نامحدود آب در نظر گرفت. افزایش فاضلاب های شهری، صنعتی، پسابهای کشاورزی اثرات منفی بر کیفیت آبهای زیرزمینی داشته و موجب غیرقابل استفاده شدن بخشی از این منابع می شوند و این امور مدیریت بهینه بهره برداری از آنها را طلب می نماید. مدیریت آبهای زیرزمینی خود نیازمند ابزاری است که قادر باشد موارد مورد نیاز جهت اتخاذ یک تصمیم صحیح را پیش بینی نماید. برای این منظور از مدلهای ریاضی استفاده می شود. در حقیقت مدل حالت ساده شده پدیده واقعی است که رابطه بین محرکهای اعمال شده و پاسخ سیستم را بصورت تقریبی شبیه سازی می کند. در این تحقیق از برنامه شبکه های عصبی مصنوعی برای ساخت مدل کیفی آبهای زیرزمینی استفاده شده است.
کاربرد شبکه های عصبی مصنوعی، حوزه وسیعی از مسایل در زمینه های مختلف فنی و مهندسی را در بر خواهد گرفت. در مهندسی آب نیز استفاده از شبکه های عصبی مصنوعی روند صعودی داشته و تحقیقات زیادی نیز تا به حال صورت گرفته است.
از جمله موارد کاربرد شبکه های عصبی مصنوعی در علوم آب تجزیه و تحلیل شوری - مایر و داندی - 1994 و بررسی الگوی زهکشی با استفاده از شبکه های عصبی - کامو، - 1996 ، کاربرد شبکه عصبی در کیفیت و تصفیه آبهای زیرزمینی - باکستر و همکاران - 2001 و مدل کیفی میکرو ارگانیسمهای آب - براین و همکاران - 2003 را می توان نام برد. با توجه به اینکه دشت تهران یکی از مهمترین حوضه های آب زیرزمینی ایران محسوب می گردد ، در این مقاله از شبکه های عصبی جهت شبیه سازی کیفی آبهای زیرزمینی دشت تهران، استفاده گردیده است. در گذشته مدل ریاضی آبهای زیر زمینی این دشت با استفاده از نرم افزار SUTRA - مهاب قدس، - 1377 تهیه گردیده است.
مواد و روشها
شبکه عصبی مصنوعی و عناصر آن شبکه های عصبی مصنوعی در واقع توسط یک سری محدود از داده های واقعی آموزش می بینند و چنانچه پارامترهای مؤثر بر پدیده مورد بررسی بصورت صحیح انتخاب و به شبکه داده شوند می توان انتظار داشت که جوابهای منطقی از شبکه دریافت نمود. همانگونه که در شکل - 1 - مشخص است هر شبکه عصبی مصنوعی از سه لایه ورودی، لایه پنهان - Hidden layer - و لایه خروجی تشکیل می شود که هر کدام از یک سری نرون تشکیل شده اند.
شبکه هایی که در این مقاله به منظور تهیه مدل کیفی آبهای زیرزمینی مورد استفاده قرار گرفته اند از نوع شبکه های پرسپترون چند لایه می باشد و برای یادگیری این شبکه ها از الگوریتم پس انتشار خطا - Back propagation error - و قانون یادگیری دلتا استفاده گردیده است. در طراحی مدل، با تغییر بعضی از پارامترها، شبکه های مختلف ساخته شده و با همدیگر مقایسه می گردند و در نهایت شبکه ای که نزدیکترین نتیجه را با واقعیت داشته باشد بعنوان شبکه اصلی شناخته می شود.
نحوه تغییر و تنظیم هر یک از پارامترهای مورد نظر در ذیل توضیح داده شده است. شبکه های عصبی مصنوعی پرسپترون - Perceptron - با یک لایه مخفی و تابع زیگمویید - - Sigmoid در لایه ورودی قادر به تقریب هر تابعی با دقت دلخواه می باشند. لذا در مدلهای ساخته شده از یک لایه مخفی استفاده شده است. تعداد نرونهای لایه میانی در شبکه های ساخته شده به ترتیب 5، 10، 15، 20، 25، 30، 35، 40 در نظر گرفته شده و عملکرد شبکه های ساخته شده با هم مقایسه گردیده است
نرخ یادگیری در واقع طول قدمها در هر بار اصلاح پارامترهای شبکه را مشخص می نماید. در شبکه های ساخته شده، مقادیر نرخ یادگیری در لایه میانی 0 /3، 0 /45، 0 /6 و در لایه خروجی 0/15، 0 /25، 0 /3 انتخاب گردیده است
استفاده از مقادیر کوچک نرخ یادگیری باعث کاهش سرعت یادگیری می شود، برای برطرف نمودن این مشکل می توان بخشی از تغییر وزن ایجاد شده در تکرار قبل مومنتم - - Momentum را به تغییر وزن جدید اضافه نمود. در شبکه های طراحی شده مقادیر 0/2 ، 0/4 ، 0/6 ، 0/8 ، 0/9 برای مومنتم انتخاب و عملکرد شبکه های ساخته شده با همدیگر مقایسه گردیده اند
تعداد سری داده هایی که قبل از تنظیم پارامترها به شبکه داده می شوند، اپاک - - Epoch نامیده می شود. در شبکه های طراحی شده مقادیر 8، 16، 32، 64، 128، 256 برای اپاک انتخاب و نتایج این تغییرات بر روی عملکرد شبکه ها مقایسه گردیده اند.
در قانون یادگیری دلتا لازم است که به منظور تنظیم پارامترهای شبکه، از توابع تبدیل نرونها مشتق گیری بعمل آید، از اینرو در اغلب موارد توابع S شکل بعنوان تابع تبدیل نرونهای شبکه مورد استفاده قرار می گیرند. در تمامی شبکه های طراحی شده از تابع لگاریتمی S شکل - زیگمویید - بعنوان تابع تبدیل نرونها استفاده شده است. برای جلوگیری از اشباع زودهنگام نرونها باید ورودی خالص آنها در محدوده خطی تابع زیگمویید قرار گیرد. با توجه به شکل تابع زیگمویید مشاهده می شود که این امر به معنای محدود کردن دامنه تابع زیگمویید در بازه [-1 , 1] می باشد.
در نرم افزار مورد استفاده امکان تنظیم داده ها در محدوده های[-0.5 , 0.5] ، [-1 , 1] وجود دارد که به روش اول Binary و به روش دوم Bipolar گفته می شود. در شبکه های ساخته شده از هر دو روش ارائه داده ها استفاده به عمل آمده است و نتایج با هم مقایسه گردیده اند - شکل . - 5 به منظور کاربرد شبکه انتخابی و بررسی تواناییهای آن در شبیه سازی کیفی آبهای زیرزمینی از اطلاعات دشت تهران استفاده شده است.
