مقاله پیش بینی تبخیرماهانه با استفاده از شبکه عصبی مصنوعی و سیستم استنتاج عصبی – فازی (مطالعه موردی :ایستگاه تمر گرگان )

word قابل ویرایش
11 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 ***

پیش بینی تبخیرماهانه با استفاده از شبکه عصبی مصنوعی و سیستم استنتاج عصبی – فازی
(مطالعه موردی :ایستگاه تمر گرگان )
چکیده
امروزه در دنیا، آب و منابع آب ، یکی از پایه های اصلی توسعه پایدار به شمار می رود. تغییر و تحول کمی و کیفی منابع آب تحت تأثیر فعالیت های مختلف در هر حوزه هیدرولوژیکی رخ می دهد که با توجه به محدودیت منابع آب ، جلوگیری از آن بسیار مهم و حیاتی می باشد. در زمینه تبخیر مدل های زیادی ارائه شده است که بیشتر این مدل ها نیازمند پارامترهای ورودی هستند که یا دسترسی به آنها مشکل است و یا اندازه گیری آنها محتاج صرف هزینه و زمان زیادی می باشد. در بحث شناسائی سیستم ، مدل های آماری قوی برای مدلسازی فرآیندهای اتفاقی و سری های زمانی وجود دارد.در این تحقیق P باران ماهانه ، T دمای متوسط ماهانه ، T٢ حداکثر مطلق دما و T٣ حداقل مطلق دما، متوسط حداقل دماT۴ و متوسط حداکثر دما T۵ به عنوان ورودی و تبخیر ماهانه ، خروجی مدل با استفاده از شبکه عصبی مصنوعی و همچنین سیستم استنتاج عصبی – فازی با توابع مختلف آموزش شبیه سازی شده است . نتایج نشان دادکه شبکه عصبی مصنوعی با تابع آموزش trainlm با ضریب تبیین ٠.۶٩ ومیانگین مربع خطای ٠.٩٩ از دقت بالاتری نسبت به مدل های دیگر در ایستگاه تمربرخوردار است .
کلمات کلیدی :تبخیر، تمر، شبکه عصبی ، پیش بینی ، سیستم استنتاج عصبی – فازی

مقدمه :
تبخیر از سطوح آب ، زمین ، خاک ، دریاچه ها و مخازن آبی ، یکی از فرایندهای بسیار مهم در هواشناسی و هیدرولوژی میباشد(اجلالی ،۲۰۰۴). هر ساله میلیون ها متر مکعب آب شیرین از مخازن سدها که با هزینه زیادی جمع آوری گردیده ، تبخیر شده و از دست می رود و املاح و نمک بر جای مانده از حجم آب تبخیر شده کیفیت آب را کاهش می دهد(کارآموز و عراقی نژاد،۲۰۰۶)
محاسبه آب هدر رفت بوسیله تبخیر، در درجه اول برای بررسی و مدیریت منابع آب ، در مقیاس کشاورزی و منطقه ای ، یا حوضه های آبخیز، دارای اهمیت می باشد.
در بسیاری از مناطق که منابع آبی محدودی دارند، اجرای محاسبه اتلاف آب توسط تبخیر، برای طرح ریزی و مدیریت شیوه های آبیاری لازم و ضروری می باشد(براتسائرت ،۱۹۸۲؛جکسون ،۱۹۸۵؛شریفان و همکاران ،۲۰۰۶).
سالهای زیادی است که محققان و مهندسین ، برای محاسبه تبخیر از سطح دریاچه ها و مخازن آبی و همچنین اندازه گیری تبخیر-تعرق گیاهان ، از تشت های تبخیر استفاده میکنند. برای این منظور میزان تبخیر از تشت ، اندازه گیری شده و آنگاه با استفاده از ضرایب مخصوصی میزان تبخیر از سطح آب و یا تبخیر-تعرق پتانسیل به دست می آید (فروت و همکاران ،۱۹۸۳؛ایرماک و همکاران ،۲۰۰۲).
در ایران بیشتر از تشت های استاندارد آمریکایی کلاس A استفاده می شود،که قطری در حدود ۴ فوت ، ارتفاع ۱۰ اینچ دارند و حدود ۶ اینچ بالاتر از سطح زمین قرار می گیرند. تعدادی از محققان (استفان و استوارت ،۱۹۶۳؛ریس و دیاس ،۱۹۹۸؛کلمب و همکاران ،۲۰۰۱). برای محاسبه تبخیر روش های متعددی را پیشنهاد داده اند، اما بسیاری از این روش ها نیاز به داده هایی دارند که به آسانی در دسترس نیستند.
شبکه های عصبی مصنوعی ، کاربرد های موفقیت آمیزی در زمینه های گوناگون از جمله مطالعات منابع آب داشته اند. در زمینه های هیدرولوژیکی نیز، پژوهش های اخیر بیانگر آن است که شبکه های عصبی مصنوعی ، قادرند نتایج رضایت بخشی ارائه دهند (تی فوز،۲۰۰۲؛سیکیزوغلو و کیشیف ۲۰۰۶؛کیسی ،۲۰۰۴؛کیسی ،a؛کیسی ،b؛کیسی ،۲۰۰۶). جذابیت مدل های شبکه عصبی مصنوعی بخاطر توانایی آنها در حل مسائل غیرخطی ، حجیم و دارای خطا می باشد. همچنین این مدل ها توانایی یادگیری حل مسائل فازی و تشخیص الگوها را نیز دارا می باشند (کلمب و همکاران ،۲۰۰۱)
کیسی (۲۰۰۶)، نیز با استفاده از شبکه های عصبی و منطق فازی تبخیر روزانه از تشتک را محاسبه کرد. درجه حرارت ، رطوبت نسبی ، تشعشعات خورشیدی ، سرعت باد و فشار هوا به عنوان ورودی های شبکه و میزان تبخیر از تشتک به عنوان خروجی شبکه مورد استفاده قرار گرفتند. نتایج نشان داد که روش منطق فازی نتایج بهتری را نسبت به شبکه عصبی مصنوعی ارائه می کند. البته نتایج بدست آمده از شبکه های عصبی نیز در این پژوهش رضایت بخش بوده و خطایی برابر ۱۷.. میلی متر در روز داشته است .
شایان نژاد و همکاران (۲۰۰۷)تبخیر بالقوه را از روش های رگرسیون فازی ،شبکه عصبی مصنوعی و روش پنمن مانتیث تعیین نمودند. نتایج نشان داد که بهترین ترکیب ورودی برای شبیه سازی تبخیر، دما، میانگین رطوبت نسبی ، ساعات آفتابی و سرعت باد می باشند.
هدف از این پژوهش مدل سازی ماهانه تبخیر از تشت با استفاده از شبکه های عصبی مصنوعی و مدل استنتاج عصبی –فازی می باشد. در این پژوهش با استفاده از آمار ایستگاه هواشناسی تمر در رودخانه گرگانرود و به کارگیری شبکه عصبی مصنوعی و نروفازی ، میزان تبخیر از تشتک شبیه سازی شده است .
مواد و روش ها
مشخصات حوزه مورد مطالعه
استان گلستان به علت شرایط خاص اقلیمی از نظر منابع آب ضعیف بوده ولی نیازهای منطقه از نظر شرب ، صنعت وکشاورزی بسیار قابل توجه میباشد. این استان با مساحتی در حدود ٢٠٣٨٠ کیلومترمربع در شمال کشور واقع شده که حدود ١.٣ درصد از مساحت کل کشور را شامل می شود. وجود چهار حوزه آبریز اصلی اترک ، گرگانرود، قره سو، خلیج گرگان و حدود ۶۵٠ هزار هکتار اراضی قابل آبیاری موجب شده یکی از قطب های کشاورزی کشور محسوب شده و جهت آبیاری آن علاوه بر آبهای سطحی از ذخایر آبهای زیر سطحی و زیرزمینی نیز استفاده بعمل می آید. رودخانه گرگانرود از ارتفاعات شرقی کوه های البرز، کوه حور، کلیداغ و آلاداغ سرچشمه می گیرد و پس از طی مسیری کوهستانی وارد دشت گنبد و گرگان می شود. پس از ورود به دشت و عبور ازشهرهای گنبد کاووس و آق قلا در شمال بندر ترکمن وارد دریای خزر می گردد. جلگه گرگان در شمال شرق ایران بین طول جغرافیایی (٣٠- ۵۵ و٣٠-۴۵) و عرض شمالی (٣٠-٣٧ و ۴۶-٣۶) واقع گردیده است . رودخانه گرگانرود در قسمت مرکزی دشت جریان داشته و یکی از منابع مهم آب های سطحی منطقه می باشد که پس از آبیاری اراضی اطراف رودخانه در نهایت به دریای خزر می ریزد. شکل ٢ موقعیت ایستگاه تمر را که بر روی یکی از سرشاخه های رودخانه گرگانرود قرار دارد و همچنین سدهای گلستان و وشمگیر را در محدوده مورد مطالعه نشان می دهد.

از آنجا که این استان دارای دو اقلیم کاملا متفاوت است به نحوی که جنوب استان منطقه ای کوهستانی و مرتفع با سطحی پوشیده از جنگل های متراکم و شمال استان منطقه ای بیابانی و پست با دمای کاملا متفاوت با جنوب می باشد. لذا در میزان بارندگی ، تبخیر ، نفوذ ، رواناب و سایر فاکتورهای هیدرولوژی تفاوت عمده و اساسی مشاهده می شود.
شبکه عصبی مصنوعی
شبکه های عصبی مصنوعی به طور کلی نوعی شبیه سازی از سیستم اعصاب طبیعی است و شامل مجموعه ای از واحدهای عصبی بنام نرون می باشد که توسط ارتباطاتی موسوم به آکسون به هم متصل هستند در شبکه های عصبی مصنوعی سعی بر این است که ساختاری مشابه ساختار بیولوژیکی مغز انسان و شبکه عصبی بدن طراحی شود تا همانند آن ، قدرت یادگیری ، تعمیم دهی و تصمیم گیری داشته باشد. یکی از ویژگی های بخصوص شبکه های عصبی ، حساسیت کم در برابر وجود خطا در نرون های ورودی است . این مسأله با پردازش اطلاعات به صورت موازی تحقق می یابد. این تقسیم ِ 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 نرون ها چندان حائز اهمیت نیست . بنابراین وجود خطا در یکی از نرون ها و نتیجه آن ، تأثیر چندانی بر روی واحدهای محاسباتی نمی گذارد (تمدن ،۱۳۸۱). یک شبکه عصبی مصنوعی معمولاً از سه لایه شامل لایه ورودی ، لایه میانی و لایه خروجی تشکیل می شوند. شبکه عصبی استفاده شده در این مقاله از نوع MLP (Multilayer Perceptron) است ( امین و سلطانی ،۲۰۰۳؛ فوست ،۱۹۹۴). تعداد لایه میانی MLP دراین مطالعه ، یک لایه درنظرگرفته شده است . ساختار کلی چنین شبکه ای در شکل (۱) نمایش داده شده است .

شکل (۲): ساختار شبکه MLP
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 (١) ورودی و خروجی می باشد. p تعداد نرون در لایه میانی است . در فاز یادگیری از الگوریتم یادگیری شبکه به روش Basic Levenbeng Marquardt Method( marq) استفاده شده است در این روش از معیار 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 تصادفی انتخاب می شوند(هاگان و منهاج ،۱۹۹۴).
سیستم استنتاج فازی – عصبی
شبکه های عصبی مصنوعی در مقایسه با مدل های مرسوم به ورودی های کمتر و تلاش محاسباتی اندکی نیاز دارند. ترکیب سیستم های فازی که مبتنی بر قواعد منطقی بوده ، و روش شبکه های عصبی مصنوعی که توان استخراج دانش از اطلاعات عددی را دارند، منجر به ارائه سیستم استنتاج تطبیقی فازی – عصبی شده است . اگر خروجی هرلایه بصورت باشد (i امین گره از l)، ساختار مدل ANFIS از پنج لایه بشرح زیرتشکیل می شود (سجنو و یاسوگاوا):
۴-١. لایه اول : پس از اینکه داده های ورودی بصورت ماتریسی (y,x) وارد سیستم شدند در این لایه با استفاده از توابع عضویت عمل فازی سازی انجام میشود. تابع عضویت مجموعه های فازی معمولاً توسط توابع زنگول های شکل به صورت زیر بیان می شود:

x: مقدار ورودی به گره i و مجموعه پارامترهای تطبیقی نامیده می شوند.
۴-٢. لایه دوم ، گره های قاعده : هر گره در این لایه درجه فعالیت یک قانون را محاسبه می کند.
۴-٣. لایه سوم ،گره های متوسط : در این لایه i امین گره ، نسبت درجه فعالیت قانون i ام را به مجموع درجه فعالیت کلیه قوانین به صورت زیر نرمال سازی می کند.

: درجه فعالیت نرمال شده قانون i ام
۴-۴. لایه چهارم ، گره های نتیجه : در این لایه خارجی هر گره برابر است با:

مجموع پارامترهای متعاقب نامیده می شوند.
۴-۵. لایه پنجم ، گره های خروجی : در این لایه هر گره مقدار خروجی نهایی را به صورت زیر محاسبه می نماید (تعداد گره ها برابر تعداد خروجی هاست ):

داده ها و روش های مورد آزمون
در این پژوهش از آمار ایستگاه تمر در بازه زمانی ۱۳۴۵-۱۳۸۸ استفاده شده است . پارامترهای ماهانه هواشناسی عبارتند از: P باران ماهانه ، T دمای متوسط ماهانه ، T٢ حداکثر مطلق دما و T٣ حداقل مطلق دما، متوسط حداقل دماT۴ و متوسط حداکثر دما T۵. در این پژوهش به منظور شبیه سازی ساختار شبکه عصبی مصنوعی و سیستم استنتاج عصبی – فازی ، از نرم افزار MATLAB نسخه ۱۰ استفاده شده است .
ابتدا ما حدود ٢.٣ داده ها (یعنی ۱۵۳ داده )را برای آموزش شبکه و حدود ١.٣ داده ها(یعنی ۷۴ داده )را برای صحت سنجی شبکه کنار گذاشتیم .
پس از انتخاب داده ای آموزش و صحت سنجی ، اقدام به طراحی شبکه عصبی مصنوعی و سیستم استنتاج عصبی – فازی گردید.
معیارهای ارزیابی مدل :
برای سنجش کارایی مدل معیارهای مختلفی وجود دارد. در این تحقیق از معیارهای ضریب تبیین و جذر میانگین مربعات خطا مطابق روابط (۵) و (۶) استفاده شده است .

n تعداد داده های تحلیلی ، Ei و به ترتیب داده های مشاهداتی و محاسباتی ، میانگین مشاهداتی داده ها می باشند. در تحلیل مدل های مختلف برای مقایسه نتایج از این سه معیار استفاده شده است .
پس از آموزش شبکه برای مدل های مختلف ، اقدام به مقایسه برای یافتن بهترین مدل شده است که در جدول (۱) به مطلوب بودن روش شبکه عصبی مصنوعی و برای تابع pimf پی برده می شود.

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 12700 تومان در 11 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