مقاله مدل سازی بارش -رواناب با استفاده از مدل های هوشمند هیبریدی

word قابل ویرایش
9 صفحه
دسته : اطلاعیه ها
12700 تومان
127,000 ریال – خرید و دانلود

*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***

مدل سازی بارش -رواناب با استفاده از مدل های هوشمند هیبریدی
چکیده
بارش -رواناب یکی از فرایندهای مهم در مطالعات منابع آب بشمار میرود. در این تحقیق فرآیند بارش -رواناب روزانه در حوضه آبریز بالیخ لوچای با استفاده از ماشین بردار پشتیبان ، شبکه های عصبی مصنوعی، هیبرید موجک -ماشین بردار پشتیبان و هیبرید موجک -شبکه عصبی مورد مطالعه و مقایسه قرار گرفته است . داده های بارش -رواناب روزانه در طول دوره آماری (١٣٧٩-١٣٨٧) برای آموزش و صحت سنجی مدل ها مورد استفاده قرار گرفت . در حالت کلی نتایج حاکی از دقت قابل قبول هر چهار روش میباشد. از لحاظ اولویت نیز مدل هیبرید موجک -شبکه عصبی با بیشترین دقت و کمترین خطا در اولویت اول و مدل های هیبرید موجک -ماشین بردار پشتیبان ، شبکه عصبی مصنوعی و ماشین بردار پشتیبان بترتیب در اولویت های بعدی قرار گرفتند.
کلمات کلیدی: بارش -رواناب ، تبدیل موجک ، شبکه عصبی مصنوعی، ماشین بردار پشتیبان ، هیبرید.

١- مقدمه
در دهه های اخیر، پیش بینی و مدل سازی جریان رودخانه ها به منظور برنامه ریزی و مدیریت منابع آب بسیار حائز اهمیت بوده است . خاصیت غیرخطی فرآیند بارش -رواناب و پیچیده بودن مدل های فیزیکی از دلایلی است که باعث شده محققان به سوی مدل های هوشمند رو آورند. مطالعات متعددی در زمینه مدل سازی فرایند بارش – رواناب صورت گرفته است . اسکندرینیا (١٣٨٧)، از شبکه عصبی مصنوعی برای برآورد دبی رودخانه بختیاری استفاده نمود.
وی با به کارگیری شبکه پرسپترون چند لایه MLP در مدل سازی بارش -رواناب به این نتیجه رسید که با اضافه نمودن بارش روزهای قبل به ورودی مدل بهبود قابل توجهی در نتایج حاصل میگردد.
نصری و همکاران (١٣٨٨) از مدل شبکه عصبی مصنوعی چندلایه به منظور پیش بینی رواناب روزانه حوضه آبریز پلاسجان زاینده رود استفاده نمودند. در نتیجه این تحقیق شبکه عصبی مصنوعی با چهار لایه مخفی عملکرد بهتری به همراه داشت . طوفانی و همکاران (١٣٩٠) تبدیل موجک را در جهت پیش بینی بارندگی ماهانه ایستگاه زرینگل به کار گرفتند. نتایج همبستگی بالایی را میان داده های مشاهداتی و محاسباتی نشان داد. میسرا و همکاران (٢٠٠٩) با مقایسه مدل ماشین بردار پشتیبان با شبکه عصبی مصنوعی به پیش بینی رواناب و بار رسوب در هند پرداختند. نتایج نشان داد ماشین بردار پشتیبان هم در زمینه پیش بینی رواناب و هم بار رسوب نسبت به شبکه عصبی مصنوعی دارای عملکرد بهتری میباشد. آداموسکی (٢٠١٣) با مقایسه ماشین بردار پشتیبان و شبکه عصبی مصنوعی در مدل سازی بارش – رواناب حوضه کوهستانی دهرادان در یوتارانچال هندوستان ، با محاسبه معیارهای R،RMSE ،Slope ،Intercept ، MBE و EF توانایی مدل ماشین بردار پشتیبان در پیش بینی رواناب مستقیم ، جریان پایه و جریان کل این منطقه را نتیجه گرفتند. افزون بر مطالعات ذکر شده میتوان به تحقیقات انجام شده توسط نوری و همکاران (١٣٨٩) و لفدانی و همکاران (٢٠١٣) با هدف پیش بینی رواناب اشاره کرد.
لذا با توجه به موارد فوق هدف از این تحقیق ، بررسی عملکرد مدل ماشین بردار پشتیبان درکنار مدل شبکه عصبی مصنوعی و توسعه مدل ها از طریق هیبرید آنها با تبدیل موجک ، به منظور مدل سازی بارش – رواناب روزانه رودخانه بالیخ لوچای، یکی از سرشاخه های مهم و دائمی رودخانه قره سو در شمال غرب کشور میباشد.
٢- مواد و روش ها
٢-١- منطقه مورد مطالعه و اطلاعات مورد استفاده
حوضه آبریز بالیخ لوچای در جنوب غربی شهرستان اردبیل با مساحتی بالغ بر ١٠۴۴ کیلومترمربع ، ۶ درصد از سطح استان را به خود اختصاص داده است . رودخانه اصلی این واحد به طول ۶٨ کیلومتر میباشد. موقعیت حوضه بالیخ لوچای و ایستگاه پل الماس با طول جغرافیایی ′١١ °۴٨ و عرض جغرافیایی ٠٨ °٣٨ در شکل ١ نشان داده شده است . داده های بارش -رواناب روزانه این ایستگاه از شرکت آب منطقه ای استان اردبیل مربوط به بازه زمانی ٩ ساله (از سال ١٣٧٩و تا سال ١٣٨٧) اخذ گردیده که خصوصیات آماری بارش و رواناب روزانه این ایستگاه در بازه زمانی مورد مطالعه در جدول ١ ارائه شده است .
٢-٢- ماشین بردار پشتیبان
ماشین بردار پشتیبان ٢ یک سیستم یادگیری کارآمد بر مبنای تئوری بهینه سازی مقید است . هدف پیدا کردن فرم تابعی برای است .

بردار ضرایب W و ثابت b و تابع کرنل در این رابطه با حل مسأله بهینه سازی محدب و با استفاده از روش لاگرانژین و اصل کمینه – سازی خطای ساختاری بدست میآیند.

شکل ١- موقعیت ایستگاه پل الماس در حوضه بالیخ لوچای تحقیقات منابع آب ایران ، سال یازدهم ، شماره ٢، پائیز ١٣٩۴

در مطالعات بارش -رواناب عمدتا از تابع RBF استفاده میشود زیرا ماشین بردار پشتیبان با این نوع تابع در مقایسه با سایر توابع از دقت بیشتری در شبیه سازی این پدیده برخوردار است (اسکندری و همکاران ، ١٣٨٩، ٢٠٠٩ ;.Misra et al ;٢٠١٣ Adamowski ) ، که رابطه آن به صورت (٢) میباشد.

برای انجام فرایند محاسبات کدی در محیط متلب نوشته شده است .

٢-٣- شبکه های عصبی مصنوعی
شبکه های عصبی مصنوعی بر اساس استنباط از سیستم عصبی بیولوژیکی استوار است . این شیوه از ساختاری نرونی و هوشمند با الگوبرداری مناسب از نرون های موجود در مغز انسان سعی میکند تا از طریق توابع تعریف شده ریاضی رفتار درون سلولی نرون های مغز را شبیه سازی کند (نوری و همکاران ، ١٣٨۶).
این مدل بر اساس یادگیری فرآیند حل مسئله و به عبارتی رسیدن به خروجی از طریق یافتن رابطه نهفته در فرآیند مورد نظر کار میکند. در میان نمونه های متعدد شبکه های عصبی، شبکه انتشار به عقب دارای کاربرد بیشتری میباشد (١٩٨٧ ,Lippman).

٢-۴- هیبرید موجک – ماشین بردار پشتیبان
تبدیل موجک یکی از تبدیل های ریاضی کارآمد در زمینه پردازش سیگنال است . موجک ها توابع ریاضی هستند که شکل مقیاس ٣- زمان از سریهای زمانی و روابط آنها را جهت آنالیز سریهای زمانی ارائه میدهد. تحلیل موجکی قادر به نمایش جنبه های مختلف داده های متفاوت ، نقاط شکست و ناپیوستگیها میباشد (طوفانی و همکاران ، ١٣٩٠).
در مدل هیبرید موجک – ماشین بردار پشتیبان ابتدا آنالیز سری زمانی بوسیله تبدیل موجک صورت گرفته ، سپس زیر سریها به عنوان ورودی ماشین بردار پشتیبان درنظر گرفته میشوند.
٢-۵- هیبرید موجک – شبکه عصبی
به منظور طراحی یک شبکه عصبی موجکی میتوان تابع محرک شبکه عصبی و موجک را جایگزین کرد. در صورتی که یک شبکه ساده با ورودی و خروجی منفرد در نظر گرفته شود، شبکه عصبی موجکی هر ورودی مانند t را توسط ترکیبی از موجک های دختر که به واسطه مقیاس و انتقال موجک مادر به وجود آمده اند، تقریب میزند (نوری و همکاران ، ١٣٨۶). در این حالت خروجی شبکه موجکی از رابطه (٣) محاسبه میشود.

در این رابطه (y)t مقدار خروجی شبکه موجکی ، موجک دختر انتخاب شده ، wk وزن های شبکه و K تعداد نرون های شبکه است . در این تحقیق از معیارهای پرکاربرد در مهندسی آب شامل ضریب همبستگی ۴ (R)، ریشه میانگین مربعات خطا۵ (RMSE) و معیار نش ساتکلیف ۶ (E) و بایاس ٧ که کم تخمینی و بیش تخمینی مدل را نشان میدهد، معیار جدید اختلاف شیب ٨ (Sdiff)، که اختلاف شیب خط برازش نمودار پراکنش مدل ها با خط نیمساز (١:١) را نشان میدهد (٢٠٠٩ ,.Misra et al) نیز استفاده گردید.
٣- نتایج و تحلیل نتایج
٣-١- ساختار مدل
یکی از مهمترین مراحل در مدل سازی، انتخاب الگوی مناسبی از متغیرهای ورودی است . از این رو ابتدا ١۵ الگو مورد بررسی قرار گرفت (جدول ٢). همچنین از داده های هواشناسی و هیدرومتری حوضه از ٣٢٨٢ رکورد ثبت شده طی بازه زمانی (١٣٨۶-١٣٧٩)، تعداد ٢۶٢۶ رکورد برای آموزش و تعداد ۶۵۶ رکورد باقی مانده برای صحت سنجی در نظر گرفته شد.
٣-٢- نتایج حاصل از مدل ها
برای مدل ماشین بردار پشتیبان تابع پایه شعاعی انتخاب گردید و مقادیر بهینه پارامترهای مورد نیاز مدل شامل c،σ و ε با استفاده از روش بهینه سازی سیمپلکس غیرخطی (١٩۶۴ ,Nelder and Mead) برابر ۶.۵۵۴، ١٨.٩٧۶ و ٠.٠٠١ بدست آمد. با توجه به نتایج ترکیب شماره (۶) به عنوان بهترین

ترکیب انتخاب گردید، در شبکه عصبی مصنوعی از شبکه پرسپترون سه لایه با تعداد نرون های متفاوت و تابع تانژانت سیگموئید (متداول ترین شکل از توابع محرک) استفاده گردید. تعداد تکرارهای لازم در فرایند یادگیری شبکه ١٠٠٠ در نظر گرفته شده است . تعداد نرون های موجود در لایه پنهان مدل های مختلف با سعی و خطا (١ تا ٢٠ نرون ) در جهت کاهش مقدار خطا مشخص گردید. در مدل هیبرید موجک -ماشین بردار پشتیبان ، ترکیب بهینه مدل ماشین بردار پشتیبان انتخاب گردید. در روش های هیبریدی ابتدا با استفاده از آنالیز موجکی سری داده ها به سه زیر سری تجزیه و و موجک دابچیز٩ نوع چهار به عنوان پرکاربردترین موجک مادر (اعلمی و همکاران ، ١٣٩٣) انتخاب گردید. زیرسریهای حاصل بعنوان ورودی ماشین بردار پشتیبان با تابع پایه شعاعی در نظر گرفته شد. به منظور مدل سازی جریان با استفاده از مدل هیبرید موجک -شبکه عصبی ، نیز نتیجه بهینه مدل شبکه عصبی مصنوعی مورد توجه قرارگرفت .

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 12700 تومان در 9 صفحه
127,000 ریال – خرید و دانلود
سایر مقالات موجود در این موضوع
دیدگاه خود را مطرح فرمایید . وظیفه ماست که به سوالات شما پاسخ دهیم

پاسخ دیدگاه شما ایمیل خواهد شد