بخشی از مقاله
خلاصه
در این تحقیق اقدام به مدلسازی جریان ماهانه رودخانه نمارستاق با استفاده از یک روش فازی جدید به نام روش یادگیری فعال - Active - Learning Method, ALM شده است. در این مدلسازی جریان رودخانه، داده های دبی ماهانه با تاخیر زمانی مختلف بعنوان ورودی مدل ALM مورد استفاده قرار گرفتند و مدل های ALM مختلف با تعداد قانون های فازی مختلف توسعه داده شده به منظور تعیین بهترین مدل، از معیارهای ارزیابی مختلف استفاده شد و با امتیازدهی معیارها مشخص شد که بهترین مدل ALM، مدل دارای 16 قانون فازی است. هیدروگراف شبیه سازی شده و نتایج بدست آمده از مدل گویای این مطلب بود که این روش می تواند بعنوان یک گزینه مناسب در شبیه سازی رودخانه مطرح باشد.
-1 مقدمه
ایران کشور پهناوری است که با برخورداری از موقعیت جغرافیایی و اقلیمی خاص خود، سهم اندکی از ریزش های جوی را به عنوان منبع اصلی تامین آب در اختیار دارد، بنابراین استفاده و مدیریت بهینه منابع آب، مستلزم شناخت پدیده های هیدرولوژیکی می باشد که رواناب سطحی1 یکی از مهم ترین فازهای چرخه هیدرولوژیکی به شمار می آید. رواناب را می توان توسط روش های مختلف مدل سازی تخمین زد.
پیشرفت تکنولوژی نرم افزارهای کامپیوتری و شناخت فرآیندهای بارش - رواناب و تشخیص نسبی عوامل موثر بر آن، امکان استفاده از انواع مدلهای مفهومی2 یا ریاضی3 را فراهم نموده است. مهمترین مدلهایی که بر پایه استخراج دانش می باشند و جهت مدلسازی رواناب توسط محققین به وفور استفاده شده اند شامل مدلهای سری زمانی، شبکه های عصبی، ماشین بردار پشتیبان و روش فازی می باشند.
روش مدل سازی انسان بسیار مقاوم و پایدار است بنابراین اگر یک روش مدلسازی بر پایه هوش انسانی باشد بایستی جهت انجام مدل سازی در زمینه های مختلف مهندسی نیز سودمند واقع گردد - Bagheri Shouraki . - and Honda, 1999 مفاهیم فازی4 و استنتاجات مرتبط با آن که توسط - 1965 - Zadeh و - 1976 - Mamdani ارائه شده است یک نگرش جدید به روش مدل سازی و محاسبه انسان باز نمودند.
Bagheri Shouraki و - 1997 - Honda یک روش مدل سازی فازی جدید را ابداع کردند که روش یادگیری فعال - ALM - 5 نامیده شد. این روش مدلسازی بسیار شبیه به روش مدلسازی توسط هوش انسان است و لذا انتظار میرود که بتواند جهت مدل سازی رواناب مورد استفاده قرار گیرد. روش ALM توسط طاهری شهرآئینی - 1386 - مورد اصلاح قرار گرفت و روش ALM تصحیح شده ای را توسعه داد. See و - 2000 - Openshaw چهار مدل پیش بینی رواناب را در یک شبکه فازی مورد تلفیق قرار دادند. از طرفی یک مدل فازی-مفهومی بارش-رواناب توسط Ozelkan و - 2001 - Duckstein توسعه داده شد.
Xiong و همکاران - 2001b - از روش فازی Takagi-Sugeno که با روش فازی C-mean تلفیق شده بود جهت پیش بینی سیلاب در یازده حوضه آبریز استفاده کردند که نتایج مدل فازی توسعه داده شده نشان می داد این مدل قابل مقایسه با نتایج شبکه عصبی است. Sen و - 2003 - Altunkaynak روش مدلسازی فازی را با روش رگرسیون خطی جهت مدلسازی بارش-رواناب در 2 حوضه در قسمت های اروپایی و آسیایی استانبول مقایسه کردند. و نتایج تحقیقات آنها نشان داد مدل فازی دقت بالاتری نسبت به روش رگرسیون خطی دارد.
Chang و همکاران - 2005 - از یک مدل فازی ابداعی به نام Fuzzy Exemplar-based - FEIS - Inference System جهت پیش بینی یک ساعت جلوتر در وقایع سیلابی در رودخانه Lan-Yang - تایوان - استفاده کردند. آنها نتایج رواناب سیستم فازی جدید را با نتایج شبکه عصبی مقایسه کردند و به این نتیجه رسیدند که مدل فازی FEIS عملکرد بهتر، توانایی، پایداری و دقت بالاتری در شبیه سازی سیلاب نسبت به شبکه عصبی دارد.
Casper و همکاران - 2007 - از داده های بارش و رطوبت خاک بعنوان ورودی یک مدل فازی Takagi-Sugeno استفاده کردند تا رواناب حوضه آبریز Black Forest - Durreych در جنوب غربی آلمان - را شبیه سازی کنند. نتایج تحقیقات آنها نشان داد که این مدل فازی می تواند پیک های جریان را بطور مناسبی شبیه سازی کند. - 2010 - Nayak از روش فازی جهت شبیه سازی جریان ساعتی در حوضه آبریز Baitarani - هند - در محل ایستگاه هیدرومتری Anadapur استفاده کرد.
مدل توسعه داده شده توانست پیش بینی رواناب برای یک ساعت جلوتر را بسیار خوب و تا 9 ساعت جلوتر را نیز به نحو رضایت بخشی انجام دهد. البته از روش های فازی تا کنون به ندرت جهت شبیه سازی رواناب استفاده شده است و از روش یادگیری فعال برای شبیه سازی ماهانه جریان رودخانه استفاده نشده است. لذا هدف از این تحقیق مدل سازی و پیش بینی فازی رواناب ماهانه رودخانه نمارستاق به کمک روش ALM به عنوان یک روش جدید فازی می باشد.
-2 منطقه مطالعاتی
رودخانه نمارستاق، آب زیرحوضه نمارستاق را به هراز میریزد و یکی از شاخه های اصلی رودخانه هراز به شمار میرود که از سمت غربی رودخانه هراز به آن متصل می گردد. شکل 1 موقعیت این زیرحوضه را نشان می دهد. مساحت این زیر حوضه تا محل ایستگاه هیدرومتری پنجاب 235.5 کیلومتر مربع و طول شاخه اصلی رودخانه 30.2 کیلومتر است.
ایستگاه هیدرومتری پنجاب در مختصات 3995333 - UTM و - 612049 قرار دارد و از نوع ایستگاههای هیدرومتری درجه 2 - مجهز به اشل و لیمنوگراف - به شمار میرود و ایستگاه باران سنجی پنجاب در مختصات UTM 3995481 - و - 614356 قرار دارد. شیب رودخانه در محل ایستگاه زیاد بوده و به علت تغییرات بستر، مقطع اندازه گیری ناپایدار به نظر می رسد.
-4 روش تحقیق
روش ALM روشی است که در درون خود دارای روش انتخاب متغیرهای مناسب است. روش انتخاب متغیرهای ورودی در آن از نوع روش ادغام شده - Embedded - است. این روش فقط از آن ورودیهایی که روی خروجی اثر معنی داری دارند استفاده می کند و از بقیه ورودیها هیچ استفاده ای نمی کند. بهمین خاطر در این روش مدلسازی چنانچه بارش به همراه رواناب به مدل به عنوان ورودی معرفی شود مدل بسیار کم از اطلاعات بارش استفاده میکند زیرا همبستگی بارش زمان t-i با رواناب زمان t بسیار کمتر از همبستگی رواناب زمان t-i با رواناب زمان t می باشد.
لذا در این تحقیق فقط داده های دبی با تاخیر زمانی مختلف بعنوان ورودی به مدل معرفی شده است. آلگوریتم شبیه سازی جریان ماهانه رودخانه توسط روش ALM در شکل 2 ارائه شده است. در این تحقیق از روش ALM اصلاح شده توسط طاهری شهرآئینی - 1386 - استفاده خواهد شد. برای کسب اطلاعات در مورد ساختار روش ALM به - 2010 - Taheri Shahraiyni مراجعه شود.
