بخشی از مقاله
*** اين فايل شامل تعدادي فرمول مي باشد و در سايت قابل نمايش نيست ***
مقاله مدل سازی تلفات تبخیر در مخازن بر پایه شبکه عصبی مصنوعی (مطالعه موردی: سد سهند)
چکیده
مدیریت و بهره برداری از ذخایر سدها بویژه در مناطق خشک و نیمه خشک نیاز به برآوردهای مطمئن از تبخیر دارد. در این تحقیق به بررسی عملکرد شبکه های عصبی مصنوی در تخمین تلفات تبخیر اب از مخازن سد سهند پرداخته شده و براورد میزان ارتفاع و حجم تبخیر از سطح دریاچه سد سهند بررسی شده است. به این منظور ۷ مدل و در هر مدل ۳۰ سناريو مختلف در برآورد میزان تبخیر بررسی گردید و جهت تعیین مدل برتر از مقایسه مقادیر R , RMSE , MSE استفاده شد. شبکه عصبی مصنوعی با ۲۳ نورون و ورودی های باد- نم- دما بهترین مدل با بالاترین مقدار ضریب همبستگی نتخاب گردید. نتایج این پژوهش نشان داد که مدل شبکه عصبی مصنوعی از دقت خوبی در برآورد میزان تبخیر آب دارد
و تاثیرات پارامتر دما - نم - باد از تمامی موارد بررسی شده بیشتر است.
کلمات کلیدی: سد سهند، تبخیر، شبکه عصبی، مدیریت آب
1 - مقدمه
دریاچه ها و مخازن، نقاط تمركز فرآیندهای هیدرولوژیکی صورت گرفته در حوضه آبریزشان بوده و در بسیاری از مناطق دنیا با محدود شدن منابع آب شیرین، مدیران بخش آب به برآورد شارهای هیدرولوژیکی نظیر تبخير احتیاج دارند. تبخیر یکی از فرآیندهای مهم و تأثیر گذار در چرخه آب است و در دو شکل تبخیر از سطوح آزاد آب نظیر دریاچه ها و تبخیر از سطح خاک سخت اتفاق می افتد. تبخیر از مخازن آب با توجه به اقلیم خشک و نیمه خشک ایران و محدودیت منابع آب، تلفات آب را در پی خواهد داشت که رابطه مستقیم و تنگاتنگی با عوامل جوی دارد. بدلیل تأثیر متقابل پارامترهای مختلف هواشناسی در محاسبه تبخیر، روابط غیر خطی برای تخمین مقدار آن وجود دارد که از دقت بالایی برخوردار نیستند و شبکه های عصبی مصنوعی از جمله روش های نوین می باشند که برای تخمین و پیش بینی پارامترها با استفاده از ارتباط ذاتی بین داده ها توسعه یافته است. لذا بدلیل تأثیر متقابل پارامترهای هواشناسی در محاسبه میزان تبخیر، تخمین دقیق آن کار پیچیده و دارای روابط غیر خطی می باشد. در چند دهه اخیر، سیستم های هوش مصنوعی کاربردهای بسیاری در مسائل مختلف مهندسی آب که رابطه و الگوی مشخصی بین عوامل مؤثر بر وقوع یک پدیده وجود ندارد، پیدا کرده است. شبکه عصبی مصنوعی از الگوی شبکه عصبی انسان شبیه سازی شده است به گونه ای که می تواند پس از آموزش، پارامتر خروجی مورد نظر را با اعمال پارامترهای ورودی برآورد نماید. رایج ترین و مهم ترین فاکتورهای هواشناسی تأثیر گذار بر تبخیر، تابش خورشیدی، دمای هوا، رطوبت نسبی، کمبود فشار بخار آب، فشار اتمسفر، سرعت باد، کیفیت آب و مساحت سطح تبخیر است.
حسنی و تجریشی (1387) ، در یک پژوهش، مدل تبخیر از سطح آزاد مخزن سد ساوه را در قالب پایان نامه کارشناسی ارشد تحقیق کرده اند.
در این پژوهش ابتدا به اهمیت شناخت تبخیر در بیلان آبی و مدیریت منابع آب هر سیستم اشاره کرده و در ادامه، میزان تبخیر از دریاچه سد ساوه را به صورت ماهانه و سالیانه به مدت ۱۴ سال - (1374-1387 ) با روش های بیلان آبی، تشتک تبخیر، روابط تجربی، پنمن، روش بیلان انرژی (BREB) و مدل CRLE تخمین زده اند. یزدانی و همکاران (1389) نتایج بهترین روش تجربی برآورد تبخیر از سطح آزاد اراضی شالیزاری آمل را با نتایج شبکه اولین همایش ملی استفاده از فن آوری ها و تکنولوژی های نوین طراحی، محاسبه و اجرا زعفران، همایونهای عصبی مصنوعی بر پایه آنالیز حساسیت مقایسه کرده اند و از روش های مورد استفاده می توان به مدیر، مارسیانو، شاهن، هنفر، ایوانف، تیجو میروف، سازمان عمران اراضی آمریکا و شبکه عصبی مصنوعی اشاره نمود. زارع ابیانه و همکاران (1389) ، تغییرات مکانی تبخیر از تشت را مطالعه و نتایج آن را با نتایج مدل های برآورد تبخیر در ایران مورد مقایسه و تجزیه و تحلیل قرار داده اند که با مقایسه تبخیر بر آوردی با مقادیر اندازه گیری شده از تشت تبخیر کلاس
A، روش ایوانف از بین روش های انتخابی همخوانی خوبی با داده های اندازه گیری شده نشان می دهد. با دیده و الیاسی(1387) ، میزان تبخیر از دریاچه سدهای کشور با استفاد از تشت تبخیر برآورد کرده اند. در این تحقیق، با استفاده از آمار ایستگاههای تبخیر سنجی موجود در برخی سدهای کشور و رسم منحنی های هم تبخیر در سطح کشور و انتقال محل سدهای مخزنی فاقد ایستگاههای تبخیر سنجی به این نقشه، میزان تبخیر از طشت در محل سد تعیین و با استفاده از ضریب تعدیل، میزان تبخیر از سطح آزاد آب برآورد می گردد. دهقانی و همکاران (1389) ، تبخیر روزانه از تشت تبخیر را با استفاده از سه شبکه عصبی مصنوعی پرسپترول چند لایه، تابع پایه و شعاعی و المانی تخمین زده اند. در این پژوهش از آمار روزانه هواشناسی ایستگاه هاشم آباد گرگان استفاده شده است و در نهایت نتایج فرمول های تجربی بر آورد تبخیر با نتایج شبکه های عصبی مصنوعی مقایسه شده و دقت این شبکه ها نسبت به روش های تجربی تأیید شده است. کومار و همکاران (2012) ، با استفاده از تکنیک های سیستم استنتاج عصبی - فازی استنباطی و شبکه های عصبی مصنوعی، تبخیر را برآورد کرده اند. در این پژوهش تبخیر پتانسیل ماهانه در مناطق مختلف هندوستان بر اساس چهار فاکتور آب و هوایی تبیینی پیش بینی شده است. آریا پور و نساجی جواره (2010) تبخیر روزانه را در ایستگاه هواشناسی بروجرد با استفاده از شبکه های عصبی مصنوعی تخمین زده اند و طبق نتایج پژوهش، شبکه عصبی مصنوعی را برای هر منطقه ای که تنها دارای ماکزیمم و مینیمم اطلاعات برای تخمین تبخیر است، توصیه کرده اند.هرمزی و همکاران (2012) ، پارامترهای مؤثر در برآورد تبخیر با کمک مدل شبکه های عصبی مصنوعی را ارزیابی کرده اند. محل های مورد مطالعه ایستگاههای هواشناسی اهواز، آبادان، دزفول در استان خوزستان می باشد و مقادیر ضریب تبیین هر یک از ایستگاهها تعیین شده است . دسول و پال (2008) ، مدلینگ تلفات تبخیر در مخازن را بر پایه شبکه عصبی مصنوعی مطالعه کرده اند که در نهایتيافته های این مطالعه سودمندی تکنیک شبکه های عصبی مصنوعی را در پیش بینی تلفات تبخیر از مخازن را پیشنهاد می کند. در اینمطالعه به مدل سازی روزانه تبخیر آب از دریاچه سد سهند با استفاده از مدل شبکه های عصبی مصنوعی و تعیین میزان متوسط ارتفاع تبخیر، حجم تبخیر آب از دریاچه سد سهند تخمین زده خواهد شد. سد سهند در ۲۶ کیلومتری جنوب غربی شهرستان هشترود بر روی رودخانه قرنقو چای از سرشاخه های رودخانه قزل اوزن در حوضه آبریز دریای خزر قرار دارد.
٣. مواد و روشها
۱٫۲ سد سهند
محدوده مورد مطالعه که در دامنه شرقی سهند واقع شده است اقلیم آن، متأثر از موقعیت جغرافیایی و ویژگی های توپوگرافی محلی است.
چرخندهای غربی، منبع عمده تزریق رطوبت به منطقه محسوب می شوند و با توجه به زمان ورود آنها 85.7 درصد بارندگی های منطقه، طی ماه های آبان تا اواخر اردیبهشت و بخش اعظم آن، در ماه های فروردین و اردیبهشت و 3.4 درصد آن نیز در فصل تابستان به وقوع می پیوندد. ضریب برف گیری سالانه حوضه، ۲۷ درصد می باشد. با توجه به پراکندگی بارندگی سالانه کل حوضه 3.7-4 میلی متر می باشد که از این میزان، بطور متوسط 332.6 میلی متر تبخیر می گردد. باید در نظر داشت، بارشی که به طور سالانه به زمین نازل می شود، ۱۱۹ میلیون متر مکعب است که ۶۱ درصد آن به آتمسفر برمی گردد و تنها ۴۷ میلیون متر مکعب آن به زمین و مردم آن باقی می ماند (بهمنی، 1392) با در نظر گرفتن میزان تبخیر و بارش، حجم آب خروجی از حوضه، 250.4 میلیون متر مکعب برآورد شده است. متوسط حداکثر و حداقل دما در کل محدوده حوضه، به ترتیب 14.7 - 8.3 - 1.8 درجه سانتیگراد می باشد (محمدیان۱۳۹۰ )
سد سهند در ادامه محل تلاقی دو رودخانه قرنقو و آلمالو احداث شده است. این سد از نوع هسته خاکی با هسته ناتراوای میانی بوده، طول تاج سد ۴۰۵ متر و عرض آن ۱۰ متر و ارتفاع سد از بستر پی نیز ۳۶ متر است. این سد ۶ روستا با جمعیت حدود ۱۰۰۰ نفر و جمعا ۳۲۰ هکتار اراضیزراعی را زیر آب برده است. وسعت حوضه آبریز رودخانه قرنقوچای در حدود ۸۲۰ کیلومتر مربع است. جریان رودخانه قرنقو از ارتفاعات کوه سهند به بلندی ۳۵۴۲ متر شروع شده و تا محل ساختگاه به ارتفاع ۱۵۶۰ متر، مسافتی بالغ بر ۵۱ کیلومتر را می پیماید. بخش عمده مسیر رودخانه آلمالو در بستر آن از سازندهای قرمز بالایی تشکیل شده است. عبور آب از این سازند، باعث افت کیفیت آب رودخانه می شود (شکل 1)
عوامل آب و هوایی (درجه حرارت، رطوبت نسبی هوا، باد) به طور مستقیم یا غیر مستقیم بر تبخیر آب در مخزن سد تأثیر می گذارند. به منظور و بررسی تأثیر این عوامل در منطقه مورد مطالعه از آمار دراز مدت تبخیر ، درجه حرارت، باد و معدل نم نسبی ایستگاه های هشترود، سهند، مراغه استفاده شده است. داده های هواشناسی در جدول ۱ ارائه شده است. با توجه به حجم بسیار بالای داده های استفاده شده تنها داده های تبخیر در اینجا ارائه شده است.
۲٫۲ شبکه عصبی مصنوعی
تخمینیک تابع براییک دسته از ورودی ها و خروجی ها، از مسائل رایج مهندسی می باشد که طبق تعریف کمیته شبکه عصبی به این فرایند یادگیری هدایت شونده گفته می شود. عناوین دیگر این فرایند عبارتنداز تقریب تابع (در مسائل عددی) آنالیز رگراسیون (در آمار) یا شناسائی سیستم در تئوری کنترل). در حالت کلی شبکه عصبی نقش تابع را در رابطه زیر ایفا می کند:
که در آن X بردار ورودی ها و لا بردار خروجی می باشد.
شبکه های عصبی مصنوعی برای حل هر مساله، سه مرحله را طی می کنند:
1.مرحله آموزش آموزش فرآیندی است که طی آن شبکه یاد می گیرد تا الگوی موجود در ورودی ها را که بصورت مجموعه داده های آموزشی است، بشناسد. برای این منظور هر شبکه عصبی از قوانین خاصی که چگونگییادگیری را تعیین می کنند، استفاده می نماید
۲. مرحله تست: تست در واقع توانایی شبکه برای ارائه جواب قابل قبول در قبال ورودی هایی است که در مجموعه آموزشی نبوده اند.
3.مرحله اجرا: استفاده از شبکه برای عملکردی که بدان منظور طراحی شده است را اجرا گویند.
در فرآیند آموزش، اوزان داخلی که بر روی ورودی ها اعمال می شوند، آن قدر تغییر می کنند تا به وضعیت مناسب برسند. یکی از ضعف های شبکه عصبی مصنوعی این است که نتیجه آموزش، یعنی اوزان داخلی، هیچ گونه تصویر روشنی از اعتبار جواب های مساله بدست نمی دهد. به همین دلیل به شبکه های عصبی مدل های جعبه سیاه گویند. با این وجود شبکه در اغلب موارد صحیح بوده و با شرایط کمی حاکم بر محیط سازگاری دارد. گاهی این صحت جواب ها و صدق شرایط کمی حاکم بر محیط، مهم تر از توضیح پذیر بودن آن است. در شكل ۲، کار کرد مدل نورون مصنوعی آورده شده است .
شبکه های Feed forward اغلب دارای یک یا چند لایه مخفی از نرونهای Sigmoid بوده و از یک لایه پایانی خطی استفاده میکنند. وجود چند لایه از نرونها با یک تابع انتقال غیر خطی به شبکه اجازه میدهد که توانایی یادگیری رابطه خطی و غیر خطی را بین ورودی ها و خروجی ها داشته باشد.. لایه خروجی خطی به شبکه این امکان را میدهد که خروجی خارج از محدوده ۱+ و ۱- داشته باشد( Kavzoglu
٣. نتایج
و در این مطالعه ابتدا مدل هایی برای شبکه مصنوعی Feed - Forward backprop جهت پیش بینی تبخیر تعریف می شود سپس نتایج حاصل از این مدل سازی ها به شکل نمودار بیان می شود. این نمودارها نتیجه مقایسه مقادیر واقعی تبخير و نتایج حاصل از مدل سازی ها را توسط توابع هدف تعریف شده در این شبکه نشان می دهند. از کل دادهای موجود ۶۰ درصد به عنوان آمورش و ۴۰ درصد جهت تخمین استفاده شد، با توجه به نمودارها و جداول می توان شبکه عصبی مصنوعی بهینه را از نظر کمترین خطا، بیشترین ضریب همبستگی، تعداد لایه پنهان و تعداد نورون ها مناسب جهت پیش بینی شناسایی نمود. در این قسمت برای برسی عملکرد شبکه عصبی مصنوعی مدل هایی به ترتیب زیر بیان می شود و نتایج حاصل از آنها نشان داده می شود، لازم به ذکر است که برای انتخاب بهترین ساختار، حداقل میانگین مربعات خطای کل شبکه مورد استفاده قرار خواهد گرفت. در مدل اول از یک تا سی نورون برای لایه ورودی تعریف می شود که پارامتر باد در آن قرار می گیرد که با توجه به تعداد نورون های مختلف از یک تا سی ساختارهایی هر مدل طراحی شده است در ادامه نرونی که بهترین جواب را با کمترین خطا پیش بینی می کند شناسایی می شود. تابع ورودی و خروجی در این ساختارها از نوع TANSING می باشد. نتایج مدل تخیمن با داده های باد ارائه شده است (شکل ۲.الف)
