بخشی از مقاله
چکیده:
رودخانهها از مهمترین و متداولترین منابع تأمین آب آشامیدنی، کشاورزی و صنعتی به شمار میآیند. این منابع به علت عبور از بسترهای مختلف و ارتباط مستقیم با محیط پیرامون خود نوسانات کیفی زیادی دارند. از اینرو پیشبینی کیفیت جریان رودخانهها نقش مهمی در مدیریت کیفی منابع آب ایفا مینماید.
در راستای بررسی وضعیت کیفی یک منبع آبی، شاخصهایی برای کنترل کیفیت منابع آب در نظر گرفته میشود. جهت تحقق این امر، غلظت مواد جامد محلول - TDS - ، هدایت الکتریکی - EC - و نسبت جذب سدیم در ایستگاه دزفول مورد ارزیابی قرار گرفت. هدف از این تحقیق پیشبینی کیفیت منابع آب به عنوان تابعی از بارش و دبی آب به کمک شبکه های عصبی مصنوعی است.
برای ایجاد الگوهای آموزش و ارزیابی و تست از داده های شرکت آب و برق خوزستان استفاده شد. توابع عضویت با نامهای سیگموئیدی و تانژانت سیگموئیدی مورد مقایسه قرار گرفت که از این بین تابع عضویت نوع سیگموئیدی بهترین نتیجه را ارائه داد. همچنین در این تحقیق شبکه عصبی با تعداد 2و3 تابع عضویت مورد استفاده قرار گرفت که بهترین نتیجه با تعداد 3 تابع عضویت حاصل شد. با به دست آمدن تغییرات کیفیت آب از شبکههای MLP و TDNN با الگوریتمهای یادگیری لونبرگ- مارکوارت برای آموزش الگوها استفاده شد. شبکه عصبی TDNN نتایج بهتری نسبت به شبکه عصبی MLP نشان داد. توابع تغییرات کیفیت آب را با ضرایب تعیین 0/906 تا 0/964 پیش بینی کردند.
مقدمه
آلودگی آب رودخانه ها را می توان شاخص آلودگی محیط زیست در اثر فعالیت های انسانی به حساب آورد ؛ زیرا رودخانه ها تنها منابع آبی هستند که مسیری طولانی را از میان شهرها، روستاها و مناطق صنعتی و کشاورزی طی می کنند و به انواع آلاینده ها، آلوده می شوند .با توجه به اینکه اکثر رودخانه های کشور در معرض آلودگی و فعالیت انسانی قرار دارند، مطالعه کیفی آب می تواند بسیار مفید باشد؛ افزون بر آن، تهیه دستورالعملی اجرایی برای استفاده کارشناسان به منظور بررسی کیفیت آب سایر رودخانه ها در زمان کوتاه نیز ضرورت دارد
امروزه با توسعه سریع فناوری پردازش رایانهای و ایجاد نرم افزارهای مربوطه، از مزایای فناوری هوش مصنوعی برای حل مسائل مربوط به مدل سازی سیستمها و پیشبینی فرآیندها استفاده میشود. یکی از روشهای هوش مصنوعی که در سطح وسیعی در مدلسازی کیفیت منابع آب آغاز شده و برای شبیه سازی و پیشبینی پارامترهای کیفیت آب، شبکههای عصبی مصنوعی میباشد که در این تحقیق از آن برای مدل سازی فرآیند تغییرات کیفیت آب در ایستگاه استفاده میشود .
تاکنون مطالعات گوناگونی پیرامون کیفیت آب رودخانه ها انجام شده است. از جمله این مطالعات در زمینه هوش مصنوعی در داخل و خارج از کشور ،می توان به موارد ذیل اشاره نمود.
حمیدرضا صفیان - - 1389 در این مطالعه خود ضمن بیان مبانی این سیستم به منظور پیش بینی کیفی آبهای سطحی، کاربرد آن با مجموعه ای از داده های 16 ساله از اکسیژن محلول - DO - و اکسیژن موردنیاز بیوشیمیایی - BOD - در رودخانه زاینده رود نشان داده شده است. فرآیند توسعه و ارزیابی سه نوع مدل سیستم استنتاج فازی - عصبی تطبیقی در پیش بینی - BOD - بر اساس مجموعه عوامل موثر در یک و دو ایستگاه قبل نشان داد که دبی، درجه حرارت و مقدار اکسیژن موردنیاز بیوشیمیایی در یک و دو ایستگاه قبل با مقدار ضریب تبیین 0/953 در مرحله واسنجی و 0/931 در مرحله اعتبارسنجی مناسب ترین مدل و برای پیش بینی اکسیژن محلول عوامل سرعت، عمق، درجه حرارت، عرض در سطح آب و اکسیژن محلول در یک ایستگاه قبل با مقدار ضریب تبیین 0/921 در مرحله واسنجی و 0/904 در مرحله اعتبارسنجی، مناسب ترین مدل است. در نهایت مقایسه نتایج نشان داد که سیستم استنباط فازی عصبی - تطبیقی عملکرد مناسبی دارد و استفاده از آن می تواند به عنوان رهیافت کاربردی جدیدی در پیش بینی وضعیت کیفی رودخانه بکار برده شود.
محمد نیکو و همکاران - - 1390 مطالعه ای بر روی رودخانه کارون، با استفاده از پارامترهای اندازه گیری شده در ایستگاه های موجود در طول رودخانه - بازه شهیدعباسپور- عرب اسد - انجام داده است. بدین منظور، دبی، ماه، طول رودخانه و پارامترهدایت الکتریکی اندازه گیری شده در ایستگاه های شهیدعباسپور، پل شالو، گتوند و عرب اسد به عنوان ورودی های مدل، در نظر گرفته شده و با استفاده از مدل شبکه عصبی، نسبت جذب سدیم - SAR - و کل املاح محلول - TDS - اندازه گیری شده در همان ایستگاه ها نیز پیش بینی گردید. به منظور بهینه کردن هرکدام ازمدل های شبکه عصبی مصنوعی، از الگوریتم ژنتیک استفاده گردید. نتایج نشان می دهد که مدل شبکه عصبی مصنوعی انتخاب شده، نسبت به مدل های آماری رگرسیون غیرخطی از توانایی، انعطاف پذیری و دقت بیشتری در پیش بینی کیفیت آب در رودخانه برخوردار می باشد.
خادمی کیا و همکاران - 1395 - در این مطالعه ای با استفاده از مدل ANN-LM و مبنا قرار دادن مشخصه های کیفی اندازه گیری شده در ورودی تصفیه خانه از جمله pH، DO، BOD، COD، TSS، TDS، NO3، PO4، مقدار متناظر سه مشخصه BOD، CODو TSS را در خروجی تصفیه خانه پیش بینی کردند. شاخص های آماری مورد استفاده شامل R، MSE و نرم افزار های مورد استفاده شامل Matlabو spssبودند.
نتایج آزمایش با ضریب همبستگی قابل قبولی ارائه شد. همچنین، با محاسبه درصد بازده حذف آلاینده ها در خروجی تصفیه خانه مشخص شد حداکثر بهره وری حذف در تصفیه خانه مربوط به آلاینده TSSبوده و معادل 87.68درصد است و در نهایت یاداور نمودند که شبکه های عصبی مصنوعی یک ابزار قابل اطمینان برای پیش بینی عملکرد سیستم تصفیه خانه فاضلاب خرم آباد ایجاد نموده است. و توانست بر مبنای پارامتر های اندازه گیری شده، کیفیت پساب خروجی را پیش بینی نماید.
وان سئو و همکاران - - 2016 در این مطالعه ، پارامترهای کیفیت آب - دما، DO، pH و هدایت الکتریکی، کدورت و کلروفیل- - A در پایین دست سد چان پی یانگ را با استفاده از شبکه عصبی مصنوعی پیش بینی کردند. شبکه عصبی مصنوعی - ANN - به عنوان یک روش قدرتمند خود را برای مدل سازی محاسباتی رابطه پیچیده بین ورودی و خروجی نشان داده است. به طور معمول، سری های زمانی از یک ترکیب خطی از روند، دوره تناوب و جزء تصادفی تشکیل شده است. در این مطالعه، به منظور کاهش تاثیر روند ، دوره تناوب و جزء تصادفی داده ها و همچنین به منظور افزایش عملکرد با روش نمونه گیری طبقه ای مدل شبکه عصبی مصنوعی را توسعه داده است. مقادیر پیش بینی شده از دقت قابل توجهی برخوردارند. و همچنین ضریب همبستگی بالایی - 0,8 - بین مقادیر اندازه گیری شده و پیش بینی شده مشاهده گردید.
حقی آبی - - 2017 در مطالعه خود، یک مدل شبکه عصبی چند لایه - MLP - برای پیش بینی پارامترهای کیفیت آب رودخانه تیره واقع در استان لرستان توسعه داده است . پارامترهای کیفیت آب شامل کل مواد جامد محلول، هدایت خاص؛ با pH؛ و HCO3، کلر، سدیم، SO4، غلظت منیزیم و کلسیم اندازه گیری شده و با استفاده از مدل MLP پیش بینی گردیدند. مدل پیشنهادی شامل دو لایه پنهان، به عنوان مثال، لایه های اول و دوم پنهان، که در آن هشت و شش سلول های عصبی در نظر گرفته شد. سیگموئید مماس و توابع خط خالص به عنوان توابع انتقال برای سلول های عصبی در لایه های پنهان و خروجی، انتخاب شدند. برای ارزیابی عملکرد مدل MLP برای پیش بینی کیفیت آب در امتداد منطقه مورد مطالعه، علاوه بر ایستگاه های نمونه برداری موجود، 14 ایستگاه دیگرنیز در نظر گرفته شد. نتایج نشان داد که مدل برای پیش بینی پارامترهای کیفیت آب رودخانه تیره مناسب است.
با توجه به توضیحات بیان شده، هدف اصلی تحقیق حاضر، بنا گذاری یک ساختار شبکه عصبی پرسپترون چند لایه برای مدل سازی شاخصهای کیفی آب رودخانه دز در ایستگاه مورد مطالعه - دزفول - و تشریح کاربرد آن برای سایر داده های کیفیت آب است . لذا در این مطالعه امکان آموزش شبکه عصبی برای مدلسازی پارامترهای با استفاده از پارامترهای وابسته و مستقل، پارامترهای کیفی مورد ارزیابی قرار گرفت.
مواد و روش ها
این مطالعه از نوع تجربی هست و طی آن کیفیت آب رودخانه دز در ایستگاه دزفول به مدت 46سال در محدوده طول جغرافیایی252750 و عرض جغرافیایی 3584245 مورد پایش قرارگرفته است . این رودخانه از ارتفاعات استان لرستان و چهارمحال و بختیاری سرچشمه گرفته و نهایتا با رودخانه کارون تجمیع و پس از گذر از استان خوزستان به خلیج فارس می ریزد - شکل. - 1 میانگین دما و بارش منطقه موردمطالعه طی مدت پژوهش درشکل2 ارائه شده است.
شکل:1 موقعیت منطقه مورد مطالعه در استان خوزستان
