مقاله مقایسه سیستمهای هوش مصنوعی ANNs) و (ANFIS در برآورد میزان تبخیر از تشتک مطالعه موردی: ایستگاه سینوپتیک چابهار

word قابل ویرایش
18 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 ***

مقایسه سیستمهای هوش مصنوعی ANNs) و (ANFIS در برآورد میزان تبخیر از تشتک مطالعه موردی: ایستگاه سینوپتیک چابهار

چکیده
امروزه در دنیا، آب و منابع آب، یکی از پایههای اصلی توسعه پایدار بهشمار میرود. با توجه به محدودیت منابع آب در مناطق خشک و نیمه خشک، جلوگیری از هدر رفت آب از طریق تبخیر به عنوان یکی از عناصر مهم چرخه هیدرولوژی، نقش مهمی را در توسعه و مدیریت منابع آب بازی میکند. در زمینه برآورد تبخیر از تشتک روشها و فرمولهای تجربی زیادی ارائه شده است که اکثر آنها نیازمند پارامترهای ورودی متعددی هستند که یا دسترسی به آنها مشکل است و یا اندازهگیری آنها محتاج صرف هزینه و زمان زیادی میباشد. در این تحقیق از دو مدل، ANNs، ANFIS جهت برآورد تبخیر از تشتک تحت مطالعه موردی در ایستگاه سینوپتیک و چابهار(تحت شرایط اقلیمی خشک و گرم ساحلی) استفاده شده است. برای این منظور، بهترین ترکیب ورودی مدل با استفاده از آزمون گاما، میانگین روزانه دما، رطوبت نسبی، سرعت باد، تعداد ساعات آفتابی و میانگین فشار هوا انتخاب گردید. براساس نتایج حاصله ازبکارگیری معیارهای ارزیابی کارایی مدل ANFIS برای ایستگاه چابهار R2=0/966 و RMSE=3/88 و d=0/991 و MAE=0/160، با استفاده از ۳ تابع عضویت نوع گوسی تعیین گردید. همچنین براساس نتایج حاصله ازبکارگیری معیارهای ارزیابی کارایی مدل ANNs برای ایستگاه چابهار R2=0/962 و RMSE=4/36 و d=0/989 و MAE=0/24، حاصل گردید که نشان از توانایی بهتر مدل ANFIS در برآورد فرآیند تبخیر از تشتک در این ایستگاه دارد.
واژه های کلیدی: آزمون گاما، ایستگاه سینوپتیک چابهار، تبخیر از تشتک، شبکههای عصبی مصنوعی، شبکههای عصبی فازی

مقدمه:
تبخیر پارامتری است که در بررسی منابع آب یک منطقه علاوه بر کمیت آب موجود، بر کیفیت آن نیز تأثیر گذار است. اهمیت این پارامتر در مناطقی از ایران که دارای اقلیم خشک و نیمه خشک بوده و مشکل کم آبی نیز وجود دارد، دو چندان میگردد. یکی از نواحی مذکور استان سیستان و بلوچستان است(پیری، .(۱۳۸۶ بررسی اقلیمی این ناحیه نشان میدهد که بطور طبیعی استعداد زیادی برای تبخیر در این منطقه وجود دارد. بالا بودن درجه حرارت و وزش باد، به همراه پایین بودن رطوبت نسبی، تبخیر آب را نسبت به سایر مناطق افزایش میدهد. متوسط سالیانه تبخیر در ایران تقریباً ۱۸۰میلی متر معادل ۷۱درصد بارندگی متوسط سالیانه برآورد گردیده است. مقادیر ارائه شده شـاهد براین ادعـاست که تبـخیر پارامــتر مؤثری در بیـلانهای مـنابع آب منـطقهای در ایـــران است(پیری، .(۱۳۸۶ مدلهای تبخیر موجود نیازمند پارامترهای ورودی هستند که یا دسترسی به آنها مشکل است و یا اندازهگیری آنها محتاج صرف هزینه و زمان زیادی میباشد. در این میان در دهههای اخیر مدلهای هوش مصنوعی که با الهام از فرآیندهای طبیعی عــمل مینمایند، بعـنوان گزینهای برتر مورد تحقیق و بررسی قرار میگیرند. این مدلها میتوانند با حداقل پارامترهای اندازهگیری شده و با دقت قابل قبولی تغییرات متغیر مورد نظر را پیش بینی نمایند. جذابیت مدلهای هوش مصنوعی بخاطر توانایی آنها در حل مسائل غیرخطی، حجیم و دارای خطا میباشد. همچنین این مدلها توانایی یادگیری حل مسائـــلفازی و تشـــخیص الگوها را نیز دارا می باشند (اصغری اسکویی و همکاران .(۱۳۸۱ دراین تحقیق، از دو مدل شبکه عصبی و عصبی-فازی جهت برآورد تبخیر از تشتک گسترش یافت. هدف اصلی پیدا کردن مدل بهتردر جهت پیشبینی تغییرات پارامترهای دما، سرعت باد، رطوبت نسبی، فشار، ساعات آفتابی در ایستگاه ، چابهار میباشد، تا بتوان ازآن به منظور آنالیز سریع تبخیر در این سه ایستگاه استفاده نمود. در این مقاله با استفاده از الگوریتم ژنتیک بهترین ترکیب ورودی به مدلها انتخاب گردید و برای دو مدل ANNs و ANFIS جهت تخمین تبخیر استفاده شده است. نتایج پیشبینی توسط نرم افزار MATLAB از کارآمد بودن مدل های فوق حکایت دارد.
مدل شبکه عصبی مصنوعی (١(ANNs
شبکههای عصبی مصنوعی بهطور کلی نوعی شبیهسازی از سیستم اعصاب طبیعی است و شامل مجموعهای از واحدهای عصبی بنام نرون۲ میباشد که توسط ارتباطاتی موسوم به آکسون۳ به هم متصل هستند. هر نرون توسط دندریتها۱ سیگنالهای خروجی دیگر نرونها را دریافت مینماید. به محل اتصال خروجی یک نرون (اکسون) و ورودی نرون دیگر (دندریت) سیناپس۲ گویند. انتقال سیگنال در سیناپس از طریق واکنشی شیمیایی صورت میگیرد(منهاج ،.(۱۳۸۴ در شبکههای عصبی مصنوعی سعی بر این است که ساختاری مشابه ساختار بیولوژیکی مغز انسان و شبکه عصبی بدن طراحی شود تا همانند آن، قدرت یادگیری، تعمیمدهی و تصمیمگیری داشته باشد(منهاج، .(۱۳۷۷ یکی از ویژگیهای بخصوص شبکههای عصبی، حساسیت کم در برابر وجود خطا در نرونهای ورودی است. این مسأله با پردازش اطلاعات بهصورت موازی تحقق مییابد. این تقسیمِ کار، و پردازش موازی اطلاعات پیامد مثبتی را در پی دارد و آن این است که، چون تعداد زیادی نرون درگیر فعالیت هستند، سهم هر یک از نرونها چندان حائز اهمیت نیست. بنابراین وجود خطا در یکی از نرونها و نتیجه آن، تأثیر چندانی بر روی واحــــــدهای محــاسباتی نمیگذارد (تمدن،(۱۳۸۱یک. شبکه عصبی مصنوعی معمولاً از سه لایه شامل لایه ورودی، لایه میانی و لایه خروجی تشکیل میشوند. لایه ورودی شامل واحدهایی (گرههایی) به تعداد متغیرهای توضیحی مدل می باشند. برای نمونه اگر تعداد متغیرهای توضیحی (مستقل) پنج باشد، لایه ورودی نیز دارای پنج گره خواهد بود. لایهای که خروجی آن، خروجی شبکه باشد به لایه خروجی موسوم است. لایه ورودی و خروجی به ترتیب مشابه متغیرهای مستقل و وابسته در مدل رگرسیون عمل مینمایند. پژوهشگران معمولاً شبکههای عصبی را با یک یا دو لایه مخفی طراحی میکنند (جورابیان و همکاران.(۱۳۸۱ چرا که شبکههای عصبی با لایههای میانی دارای توانایی بیشتری نسبت به شبکههای عصبی دو لایه هستند(قدیمی و همکاران .(۱۳۸۱ شبـــکه عصــبی استفاده شده در این مــقاله از نـــوع (Multilayer Perceptron) MLP است(پیری و همکاران .(۲۰۰۹ تعداد لایه میانی MLP دراین مطالعه، یک لایه درنظرگرفته شده است. ساختار کلی چنین شبکهای در شکل (۱) نمایش داده شده است. این شبکه قادر است با استفاده از توابع غیر خطی در لایه میانی و تابع خطی در نرون خروجی و استفاده از تعداد کافی نرون در لایه میانی، هر تابع پیوسته ای را با هر دقت دلخواه تقریب بزند. در شکل (۱) ورودی I Rn و خروجی y R میباشد. p تعداد نرون در لایه میـــانی است. در فاز یادگیری از الگوریتم یادگیری شبکه به روش Basic Levenbeng Marquardt ) marq (Method اســــتفاده شـــــــده است در این روش از معـــیار ( Mean Square Error) MSE استفاده می شود که دارای خواص همگرایی سریع و مقاومی بهتری نسبت به الگوریتم BP استاندارد ( Back (propagation است. وزنهای اولیه شبکه به صورت تصادفی۳ انتخاب می شوند(مقدم نیاو همکاران .(۲۰۰۹

سیستم استنتاج فازی-عصبی تطبیقی :(ANFIS1)
اولین بار نظریه مجموعههای فازی در سال ۱۹۶۵ توسط پروفسور لطفی عسکرزاده دانشـمند ایرانـی تبـار و استاد دانشگاه برکلی، عرضه شد. ایـن نظریـه از زمـان ارائـه آن تـاکنون گسـترش زیـادی یافتـه و کاربردهـای گوناگونی در زمینههای مختلف پیدا کرده است. در سال ۱۹۹۳ جانگ با مدنظر قـرار دادن توانـائیهـای تئـوری فازی و شبکه عصبی مدل استنتاج فازی-عصبی تطبیقی را ارائه کرد(جانگ و همکاران، .(۱۹۹۳

در سیستم فازی-عصبی روش متداول آموزش، سیستم استنتاج فازی نوع ساجینو میباشد که از الگوریتم یادگیری پیوندی برای تعیین پارامترهای سیستم فازی به منظور آموزش مدل استفاده میکند(جانگ و همکاران، .(۱۹۹۷ مدل ANFIS مدلی با ساختار پنج لایهای است که از ترکیب مدلهای منطق فازی و شبکه عصبی مصنوعی بوجود آمده است.

-۱ لایه اول یا لایه ورودیها که در این لایه درجه عضویت گرههای ورودی به بازههای مختلف فازی با اسـتفاده از توابع عضویت مشخص میگردد. توابع عضویت انواع متفاوتی دارد که از جمله آن میتوان به توابع ذوزنقـهای، مثلثی، سیگموئید، گوسی و تابع زنگولهای شکل، که حالت کلیتری از آنها را شامل میشود، اشاره کرد.

-۲ لایه دوم که در آن مقادیر ورودی به هر گره در هم ضرب شده و حاصل که وزن قانونهـا مـیباشـد بدسـت میآید.
-۳ لایه سوم که گرههای این لایه، وزن قانونها را نرمالسازی میکنند.

-۴ لایه چهارم که لایه قوانین نامیده میشود و در این لایه قانونها بدست میآیند.

-۵ لایه پنجم که آخرین لایه شبکه میباشد تنها شامل یک تک گره بوده که با جمع کردن همه مقادیر ورودی به آن خروجی کل را محاسبه میکند. در پایان تجزیه و تحلیلهای بدست آمده از هر یک از مدلها که با معماریها و الگوریتمهای مختلف به دست آمدهاند را با یکدیگر مقایسه و بهترین نتیجه را بدست میآوریم.

آزمون گاما:
آزمون گاما یک ابزار مدلسازی غیرخطی است که بـه کمـک آن مـیتـوان ترکیـب مناسـب از پارامترهـای ورودی برای مدلسازی دادههای خروجی و ایجاد یک مدل هموار را بررسی نمـود. همچنـین یـک ابـزار توسـعه یافته برای تخمین میانگین مربعات خطای حاصل از مدلسازی پدیدههای مختلف با استفاده از مجموعـه داده-های مشاهداتی از آن پدیده است (ریمسان و همکاران، .(۲۰۰۸ بعبارت دیگر، بـا اسـتفاده از روش آزمـون گامـا برای پیش پردازش پارامترها میتوان ترتیب میزان اهمیت پارامترهای ورودی، بهترین ترکیب از میـان ترکیـب-های ممکن و تعداد دادههای مورد نیاز برای ایجاد یک مدل همـوار جهـت ورود بـه شـبکه عصـبی مصـنوعی و ANFIS را بدست آورد.

اگر فرض شود N پارامتر ورودی بر وقوع پدیدهای موثر باشند تعداد ۲N-1 ترکیب معنیدار از پارامترهای ورودی بوجود میآید که برای مدلسازی این پدیده با استفاده از ANNS و ANFIS بررسی تک تک ترکیبات ایجاد شده برای یافتن بهترین ترکیب کاری بسیار وقتگیر و خسته کننده است. بنابراین هنگامی که عوامل موثر بر پدیدهای بطور قابل ملاحظهای زیاد باشد با استفاده از آزمون گاما میتوان ترتیب میزان اهمیت پارامترهای ورودی و بهترین ترکیب از میان تمام ترکیبهای ممکن را بدست آورد(مقدمنیا و همکاران، .(۲۰۰۹
اعتبار سنجی ساختار مدل
بررسی اعتبار مدل با مقایسه تبخیر پیشبینی شده و مقادیر اندازهگیری شده برای تعدادی از سالهای آماری که در آموزش شبکه از آنها استفاده نشده است صورت گرفت. برای این منظور از ویژگیهای آماری جذر میانگین مربعات خطا (RMSE)، شاخص تطابق((d و میانگین قدرمطلق خطا (MAE) استفاده گردید (kisi, .2006) روابط RMSE، d و MAE عبارتند از :

در این رابطهها = میانگین مقادیر مشاهده شده و N تعداد نمونهها میباشد.
حد پایین RMSE صفر بوده و مقدار RMSE بیانگر این است که مقادیر پیشبینی شده چقدر از مقادیر مشاهده شده انحراف دارد. d نیز بیانگر عملکرد مدل بوده و مقدار آن بین صفر و یک می باشد که هر چه به یک نزدیکتر باشد بهتر است. میانگین قدرمطلق خطا (MAE) بیانگر مقدار متوسط خطا بوده، و هرچه کمتر باشد، نشاندهنده دقت بیشتر است.

موقعیت منطقه :
منطقه بلوچستان از خشکترین مناطق ایران محسوب میشود. مقدار بارندگی در این ناحیه نه تنها بسیار کم، بلکه توزیع زمانی و مکانی آن نیز نامنظم است. تبخیر به علت خشکی هوا، گرمایش زیاد و جریان بادها شدید بوده، و میزان آن به ۲۰ تا ۹۰ برابر باران سالیانه میرسد. میزان رطوبت نسبی بویژه در فصل گرم بجز در سواحل جنوبی بسیار پایین است و درجه حرارت بسیار بالا میباشد(فتاحی و همکاران .(۱۳۸۱ اطلاعات و دادههای مربوط به ایستگاه مورد نظر از سازمان هواشناسی استان سیستان و بلوچستان تهیه گردید. در این تحقیق برخی از خصوصیات جغرافیایی شهرستان تحت مطالعه چابهار در جدول شماره((۱ آورده شده است(مرکز تحقیقات کاربردی سازمان هواشناسی سیستان و بلوچستان، .(۱۳۸۹ در جدول((۲ براساس چند شاخص مختلف اقلیمی، اقلیم ایستگاه مورد مطالعه بررسی شده است.

 

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 12700 تومان در 18 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