بخشی از مقاله
چکیده
سرعت آستانه فرسایش بادی اهمیت زیادی در متمرکز نمودن فعالیتها و پروژههای بیابانزدایی دارد. روشهای مختلفی برای بدست آوردن این پارامتر وجود دارد ولی استفاده از تونل باد قابل حمل، از دقت بیشتری برخوردار است اما نیازمند وقت و هزینه زیادی است. لذا مدلسازی این پارامتر مهم با ا ستفاده از خ صو صیات زود یافت خاک ضروری بنظر میر سد. بنابراین ا ستفاده از شبکه ع صبی م صنوعی بعنوان یک مدل جعبه سیاه برای مدلسازی سیستمهای پیچیده و غیر خطی مفید میباشد. هدف از این تحقیق بررسی کارایی مدل شبکه عصبی م صنوعیMLP ، در برآورد سرعت آ ستانه فر سایش بادی ا ست.
در این تحقیق، سرعت آ ستانه فر سایش بادی با ا ستفاده از تونل باد به صورت سیستماتیک در 60 نقطه از بخشی از دشت سیستان - منطقه جزینک - اندازهگیری شد و بافت خاک، اسیدیته، شوری، مادهآلی، میانگین وزنی قطر خاکدانهها، در صد سنگریزه، در صد ذرات بی شتر از 0,84 میلیمتر، رطوبت خاک، وزن مخ صوص ظاهری خاک و ساختمان خاک بعنوان ورودیهای شبکه عصبی مصنوعی، درنظر گرفته شد.
به منظور دستیابی به جوابهای قابل قبول از شبکه عصبی انواع ترکیبات ورودی شبکه، تعداد لایههای شبکه، تعداد نرونهای لایههای ورودی و مخفی شبکه مورد ارزیابی و بررسی قرار گرفت و در نهایت، الگوریتم یادگیری لونبرگ-مارکوارت با سه لایه مخفی و سه نرون در هر لایه بهترین نتایج را با توجه به R2 = 0,98 و RMSE = 0,07 ، در پیشبینی سرعت آ ستانه فرسایش بادی، نشان داد.
.1 مقدمه
در دهه های اخیر رشد علم و فناوری رایانهای و نرمافزاری سبب به کارگیری مدلهای پیشرفته به منظور اجرای راهکارهای مدیریتی دقیقتر شدها ست. مدل شکل ساده شدهای از واقعیت ا ست که بعد از ایجاد آن میتوان بدون اندازهگیری و آزمایش، رفتار یک پدیده را پیش بینی کرد. در این را ستا شبکه ع صبی م صنوعی روش مورد توجه در سالهای اخیر ا ست که به دنبال تعمیم دانش نهفته در ورای دادهها به ساختار مدل است
بیش از یک چهارم کرهی زمین تحت تأثیر بیابانزایی قرار دارد - Reynolds et al., 2007 - و یکی از شاخصهای اصلی بیابانزایی، فر سایش بادی ا ست - Liu et al., 2007 - و زمانی فر سایش بادی اتفاق می افتد که سرعت باد به حدی بر سد که بتواند ذرات را با خود حمل کند، این سرعت را سرعت آ ستانه فر سایش بادی میگویند.
بهعبارت دیگر به کمترین سرعت باد که موجب جابهجایی یا حرکت اولین ذرات خاک میگردد سرعت آ ستانه فر سایش بادی گفتهمی شود که در پروژههای کنترل فر سایش بادی ب سیار درخور توجه ا ست - رفاهی، - 1378 برای برآورد این پارامتر روشهای مختلفی ارائه شدهاست، که از آن جمله میتوان به روشهایی نظیر تونل باد - ثابت و قابل حمل - ، روابط تجربی، تلههای رسوبگیر و. . .اشاره نمود
ا ستفاده از د ستگاه سنجش فر سایش بادی - تونل باد - بدلیل دقت بالا در اندازهگیری سرعت آ ستانه فر سایش بادی درخور توجه ا ست. این د ستگاه بدون ایجاد تغییر در ساختار طبیعی خاک قادر به اندازهگیری سرعت آ ستانه فر سایش بادی ا ست - احمدی و اخت صا صی، - 1373 ولی متاسفانه استفاده از این دستگاه در شرایط صحرایی کاری بسیار سخت و نیازمند زمان و هزینه زیادی است بنابراین ما نیازمند مدلسازی این پارامتر مهم با استفاده از خصوصیات زودیافت خاک هستیم.
بنابراین ا ستفاده از شبکه ع صبی م صنوعی به عنوان مدل جعبه سیاه، ابزاری توانمند برای مدل سازی سی ستمهای غیر خطی بوده و قادر است روابط پیچیده حاکم بر چنین فرایندهایی را مدل نماید. ساختار پردازش موازی و در نتیجه سرعت بالای پردازش، توانایی یادگیری از طریق ارائه مثال، توانایی تعمیمدهی پس از یادگیری برای ورودیهای جدید، شناسایی و تفکیک الگوها و ایجاد نگاشت غیر خطی از جمله ویژگیهای منحصر بفرد شبکههای عصبی میباشد
.2 تئوری شبکه عصبی مصنوعی
یک شبکه عصبی مصنوعی مجموعهای از نرونها میباشد که با قرار گرفتن در لایههای مختلف، معماری خاصی را بر مبنای ارتباطات بین نرونها در لایههای مختلف تشکیل میدهند. قابلیت یادگیری در شبکههای عصبی با استفاده از تنظیم پارامترهای شبکه انجام می شود با این هدف که اگر شبکه برای یک و ضعیت خاص آموزش دید و تغییر کوچکی در شرایط محیطی شبکه رخ داد، شبکه بتواند با آموزش مختصر برای شرایط جدید نیز کارآمد باشد. در مدلهای شبکه عصبی مصنوعی که شبیه سازی از دستگاه طبیعی میباشد با معرفی تاریخچه عملکرد یک سیستم دینامیکی، مدل آموزش یافته و نحوه عملکرد سیستم در حافظه ذخیره میشود و در مواردی که مدل قبلآ با آنها مواجه نشدهاست، مورد استفاده قرار میگیرد - نیکمنش،. - 1389 در شکل 1 ساختار یک شبکه عصبی MLP نشان داده شدهاست.
شکل.1 ساختار یک شبکه عصبی مصنوعی MLP
همانگونه که اشاره شد المانهای اصلی یک شبکه عصبی، عصبها یا نرونهای مصنوعی هستند. الگوی ورودی به یک گره شبیه دندریت یک سلول بیولوژیک است که میتوان آن را بصورت برداری با N مؤلفه به صورت - X= - x1 , x2 ,...xN نشان داد. مجموع حاصلضرب ورودیها در وزنهای نظیرشان را میتوان با کمیت اسکالر نشان داد:
که در آن - W = - w1 , w 2 ,. . . wN بردار وزن اتصال بین نرونها است. کمیت S سپس وارد یک تابع تبدیل غیر خطی f میشود تا خروجی را نتیجه دهد:
f - s - تابع غیر خطی انتقال است که انواع مختلفی دارد و بر اساس نوع مساله، بوسیلهی طراح شبکه انتخاب میگردد.. در حالت عادی هر شبکه میتواند توابع فعال سازی متفاوتی برای هر گره در یک لایه و حتی لایههای متفاوت دا شته با شد. با این حال، در اکثر مطالعات از یک نوع تابع فعال سازی برای گرههای هر لایه ا ستفاده شده ا ست . - Zhang et al.1998 - خروجی y میتواند نتیجه مدل یا ورودی لایه بعدی در شبکههای چند لایه باشد
.3 ارزیابی مدل
برای ارزیابی نتایج شبیه سازی و پیش بینی انجام شده توسط مدل شبکه عصبی از معیارهای ریشه میانگین مربعات خطا - RMSE - ، قدر مطلق خطا - MAE - و مجذور ضریب همبستگی - - R2 استفاده میگردد
