بخشی از مقاله
خلاصه
معمولاً در جریا ن های با سطح آزاد نظیر آنچه که در سازه پرتابکننده جامی1 شکل سرریز سدهای بزرگ اتفاق میافتد،امکان نوسانات عمق2 و سرعت3 جریان وجود دارد که این امر می تواند مشکلاتی را در طراحی بوجود آورد. در این تحقیق با استفاده از یکی از ابزارهای قذرتمند داده کاوی تحت عنوان مدل الگوریتم M5P جهت پیش بینی عمق جریان در پرتابکننده جامی سد جره استفاده شده است. برای انجام این مدل از اطلاعات مدل فیزیکی - فلوم آزمایشکاهی - استفاده شده است. بررسی های انجام شده نشان می دهدکه درخت تصمیم رگرسیونی4 دارای دقت قابل قبول در پیشبینی عمق وسرعت جریان در پرتاب کننده جامی شکل میباشد.
-1× مقدمه
هندسه و خصوصیات هیدرولیکی پرش در پرتابکننده جامی سدها، موجب پخش و پرتاب5 می شود، پرش متراکم جریان را به صورت پودری6 از آب درمیآورد و به دلیل اثر مقاومت هوا به آرامی سقوط میکند. لذا پیشبینی عمق وسرعت جریان در جامپرتابکننده جامی سرریز سدها به عنوان یکی از پارامترهای هیدرولیکی جریان دارای اهمیت خاص میباشد. مقطع پروفیل طولی پرتاب کننده جامی شکل غالباً به صورت قوسی از دایره است که شعاع آن معمولاً بین 15 تا 30 درجه اختیار می شود. هرگاه شعاع خیلی کوچک اختیار شود، منجر به پاشیدن و پخش زیاد آب به اطراف وارتعاش شده و سطح آب متلاطم خواهد گردید.
درچند سال اخیر با پیدایش و توسعه هوش محاسباتی که در واقع استخراج هوش، دانش و الگوریتم محاسبات عددی و آرایه روزآمد دادههای عددی است، علاقه بسیاری در میان پژوهشگران ایجاد نموده است. به گونهای که در علوم مختلف وارد شده و کاربردهای متعددی دارد. با وجود پیشرفت های چشمگیر ساختارهای مبتنی بر هوش محاسباتی در علوم مختلف، کاربرد این ابزار در علوم آب اندک و در ابتدای راه است. اما، به دلیل توانایی این ابزار در شبیه سازی فرآیندهای بسیار پیچیده و نامعلوم که در علوم مرتبط با آب به وفور یافت میشوند، زمینه و امکان کاربرد گسترده آنها مهیا شده و تعداد بسیاری از پژوهشها در این مورد میباشد.
تا به امروز مدلهای فراوانی برای داده کاوی در حوزه های مختلف علوم ارائه شدهاند که از جنبه های مختلفی نظیر فرمت دادههای ورودی، حجم ممکن برای پردازش دادهها1، الگوریتم آموزش مدل، روشهای ارزیابی نتایج و روشهای پیش پردازش دادهها تفاوت دارند. در این بین، مدل های درخت تصمیم گیری MP5 از جمله مدلهای با کارایی مناسب و هزینه محاسباتی اندک برای پیش بینی و مدل سازی سیستم های پیچیده می باشد. این مدلها یکی از روشهاینسبتاً جدید و قدرتمند هوش محاسباتی میباشد که به علت قابلیت مناسب آن، توسط محققین مختلفی مورد استفاده قرار گرفته است.
از جمله مطالعات اخیر که در آن از مدل هوشمند درخت تصمیمگیری استفاده شده است میتوان به Solomatine and Dulal - 2003 - اشاره نمود. ایشان کاربرد مدل درخت تصمیمگیری را عنوان جایگزینی مناسب برای مدلهای شبکه عصبی مصنوعی در مدلسازی بارش-رواناب، مورد بررسی قرار دادند. Solomatine and Yunpeng - 2004 - از دو مدل درخت تصمیمگیری و شبکه عصبی مصنوعی به منظور پیشبینی سیلاب در بازه بالایی رودخانه Huai در چین استفاده نمودند. محجوبی و اعتماد شهیدی - 1387 - مدلی بر مبنای مدل درخت تصمیمگیری رگرسیونی، به منظور پیشبینی پارامترهای امواج ناشی از باد ارائه نمودند.
ایشان با استفاده از اطلاعات میدانی جمعآوریشده از باد و موج در بندر امیرآباد ایران، از دو متغیر سرعت و جهت باد به عنوان پیشبینیکنندههای مقدار ارتفاع و پریود موج استفاده نمودند. نتایج این تحقیق نشان دهنده این بوده است که مدل درخت تصمیمگیری رگرسونی دارای دقت قابل قبول در پیش بینی مشخصات امواج ناشی از باد در بندر امیرآباد می باشند. Bhattacharya et al. - 2007 - از دو مدل دادهکاوی درخت تصمیمگیری و شبکه عصبی مصنوعی به منظور مدلسازی انتقال رسوب استفاده نمودند.
ایشان از مقادیر بار بستر و انتقال کل بار رسوب اندازهگیری شده به منظور آموزش دو مدل استفاده کردند. جعفری و اعتمادشهیدی - 1388 - از مدل درخت تصمیمگیری M5' به منظور تخمین نرخ روگذری موج در موجشکنها استفاده کردند. در این تحقیق، ضمن اشاره به قابلیت مدل درختی M5' نسبت به مدل های معمولی نظیر شبکه های عصبی مصنوعی و مدل های استنتاج فازی، متدولوژی جدید و سادهای به منظور پیشبینی مقدار روگذری موج در موجشکنهای سنگریزهای ارائه شده است.
نتایج حاصله از کاربرد متدولوژی پیشنهادی در اطلاعات انتخابی از بانک اطلاعاتی CLASH، نشان دهنده این بوده است که روش پیشنهادی نسبت به روابط تجربی موجود برای تعیین نرخ روگذری در موجشکنهای سنگریزهای، از دقت مناسبتری برخوردار است. ذوالمجد حقیقی و اعتمادشهیدی - 1389 - برای پیشبینی پارامترهای امواج ناشی از باد، از مدل درخت تصمیمگیری M5' استفاده نمودند. بدین منظور، ایشان اطلاعات میدانی موجود از دریاچه میشیگان در آمریکا را مورد استفاده قرار دادند.
نتایج حاصل از مدل درختی واسنجیشده M5' نشاندهنده حاکی از دقت مناسب آن در پیشبینی مشخصات امواج بوده است. Etemad-shahidi and Mahjoobi - 2009 - کاربرد دو مدل درخت تصمیمگیری M5 و شبکه عصبی مصنوعی را در پیشبینی مقدار ارتفاع موج مورد بررسی قرار دادند. امینی و ذهبیون - 1390 - برای پیشبینی انعکاس موج از موجشکنهای توده سنگی، از مدل درخت تصمیمگیری M5' استفاده نمودند. ایشان در این تحقیق، از دو مجموعه دادههای آزمایشگاهی مربوط به انعکاس موج که در دو مرکز تحقیقات هیدرولیک Delf و Wallingford به منظور ارزیابی مدل پیشنهادی خود استفاده کردند.
نتایج به دست آمده از این مدلسازی با سایر روابط تجربی موجود برای موج شکن های توده سنگی مقایسه شده و نشان داده شده که استفاده از مدل درختی در تخمین ضریب انعکاس موج، نتایج دقیق تری را ارائه می نماید. بنکدار و اعتمادشهیدی - 1390 - مدل جدیدی را برای پیش بینی عدد پایداری موجشکنهای سنگریزهای برمبنای مدل درختی M5' پیشنهاد نمودند. ایشان در این تحقیق، ضمن تدوین مدل با استفاده از 579 داده آزمایشگاهی مقیاس کوچک و بزرگ Van der Meer، نتایج حاصله از مدل درختی پیشنهادی را با فرمول تجربی Van der Meer مقایسه کردند.
نتایج این تحقیق، نشان دهنده این بوده است که مدل درختی M5' از دقت بهتری نسبت به فرمول تجربی در پیشبینی عدد پایداری موج شکن های سنگریزه ای داشته است. از جمله مرتبط ترین مطالعه در مورد کاربرد مدل های درخت تصمیمگیری در پرتابکننده جامی سدها، میتوان از مطالعه صمدی و جباری - 1390 - نام برد. ایشان در این تحقیق، عملکرد 4 مدل شبکه عصبی مصنوعی، مدل درخت تصمیمگیری رگرسیونی، مدل M5 و یک مدل ترکیبی را در تخمین مقدار عمق آبشستگی در پاییندست سریزهای جامی شکل سدها با استفاده از داده های میدانی، مورد بررسی قرار دادند. نتایج نشان داد که مدل ترکیبی ارائهشده در مقایسه با دیگر مدلها، از دقت مناسبتری در پیشبینی مقدار عمق آبشستگی برخوردار است.
مرور پیشینه مطالعات انجام شده نشان دهنده این بوده است که تا کنون پیشبینی عملکرد هیدرولیکی پرتابکننده جامی سدها از منظر تعیین عمق آب و سرعت جریان با رویکرد مدلهای هوشمندی نظیر مدل MP5 صورت نپذیرفته است. در این تحقیق، مدلی به منظور پیشبینی عملکرد هیدرولیکی پرتابکننده جامی سریز سدها از منظر تعیین عمق و سرعت جریان در نقاط مختلف آن به ازای رخداد سیلابهای محتمل، ارائه شده و کارایی آن مورد بررسی و ارزیابی قرار گرفته است.
-2 مواد و روشها
در این تحقیق، بدین ترتیب که در ابتدا متغیرهای مسئله - که در قسمت بعد به شرح آنها خواهیم پرداخت - در مکانهای حساس مدل هیدرولیکی تخلیه سیلاب، توسط تجهیزات دقیق آزمایشگاهی برآورد گردیده و بر مبنای آن، مدل هوشمندMP5 آموزش داده شده و پس از ارزیابی شاخصهای دقت، مدل با بهترین عملکرد - مدلی که دادههای محاسباتی آن از قرابت بیشتری با دادههای مشاهداتی برخوردار باشد - ، تعیین شده است.
جهت پیش بینی عمق و سرعت جریان، تراز 429 متر که در وسط پرتابکننده جامی شکل میباشد انتخاب گردیده و از مقادیر اندازهگیری شده عمق و سرعت جریان در سه منطقه سمت راست، وسط و سمت چپ به صورت عرضی و با مقادیر دبی عبوری 500 الی 2850 مترمکعب برثانیه استفاده شده است. مدل های M5P تدوین شده در این تحقیق، در دو حالت با و بدون ورودیهای حروفی1 و بدون نرمال2 - عددی - مورد بررسی قرار گرفته اند. برای بررسی صحت و دقت مدل های تدوین شده از 4 شاخص عملکردی مختلف استفاده شده است و در نهایت، مدل منتخب با دقت بیشتر، تعیین شده است.
1-2 مدل M5P
درخت تصمیم گیری - Decision Tree - یادگیری استقرایی مغز را شبیه سازی میکند. درخت تصمیمگیری - یا درخت رگرسیونی - یکی از روشهای نمایش دانش بشری بوسیله یادگیرنده های استقرایی میباشد که با توجه به عمر دو دههای آن، در مقایسه با دیگر روشهای محاسبات نرم، جدیدتر محسوب میشود. درخت تصمیم، فضای مشاهده شده در مورد یک پدیده را به استنتاجهایی در مورد فضای هدف نگاشت میکند. یادگیری مدلهای هوشمند، عمدتا در دو فضای نمادی و عددی انجام میگیرد.
درختان تصمیم، یادگیری را با جستجو در فضای نمادی مشاهدات مجموعه آموزشی انجام میدهند و نتیجه به صورت عبارات منطقی، قوانین و یا طبقه بندی ممکن است ذخیره شود. فضای نمادی فضایی است شامل صفات، کیفیتها و یا حتی مجموعه اعداد طبقهبندی شده. بنابراین، در روش درخت تصمیم لزومی ندارد که داده های ورودی به صورت عددی باشند. در صورتی که شبکه های عصبی فقط در فضای عددی قابل استفاده هستند و بر اساس وزن دهی به یک سری از پارامترها آموزش میبینند. درخت تصمیم بر خلاف شبکههای عصبی به تولید قانون میپردازد.
یعنی درخت تصمیمگیری پیش بینی خود را در قالب یکسری قوانین توضیح میدهد، در حالیکه در شبکههای عصبی، تنها پیش بینی بیان میشود و چگونگی آن در خود شبکه پنهان باقی میماند. برای جزئیات بیشتر در مورد مدلهای درخت تصمیمگیری به Etemad-Shahidi and Mahjoobi - 2009 - مراجعه کنید. در کل، مدل های درخت تصمیمگیری، از جمله مدل های پایدار و مناسب برای پیشبینی و کلاسهبندی میباشند.
مدل M5P از جمله مدلهای درخت تصمیمگیری میباشد که نسب به مدل های درخت رگرسیونی3 از دقت بیشتری برخوردار بوده و همزمان، قوانین تعیینشده توسط آن، نسبت به سایر مدل های هوشمند نظیر شبکههای عصبی مصنوعی، قابل فهم تر هستند پروسه ساخت درخت، شامل تقسیم فضای ورودی4 به چندین ناحیه با استفاده از مدل رگرسیون خطی چندمتغیره میباشد - شکل . - 1 در پروسه استخراج دانش، هر داده ثبتشده جدید یا هر داده جدید خروجی مدل بهینهسازی، در یکی از برگ های درخت قرار میگیرد.
این پروسه با توجه به شرایط تقسیم5 بدستآمده از مرحله قبل صورت میپذیرد. در نهایت، خروجی پیشبینیشده در برگ درختی که هر داده، در آن قرار گرفته، محاسبه میگردد. مدل M5P، در ابتدا یک مدل درخت رگرسیونی را با خردکردن فضای نمونه6، میسازد. این پروسه به منظور حداقلکردن تغییرات درون دادههای قرارگرفته هر زیرمجموعه، از ریشه تا گره7 و در طول شاخه ها8 صورت میپذیرد. در مدل M5P، مقدار تغییرات با استفاده از محاسبه شاخص انحراف معیار مقادیر دادهها، مشخص میگردد. اینکار با محاسبه کاهش مورد انتظار9 برای هر مشخصه10 صورت میپذیرد. بدینترتیب، مشخصههایی که بیشترین مقدار کاهش خطا را دارا باشند، انتخاب میگردند.
