بخشی از مقاله
چکیده
در این پژوهش از شبکه عصبی مصنوعی - Artificial Neural Network - به عنوان ابزاری توانمند در مدلسازی فرآیندهای غیرخطی و نامعین، به منظور پیشبینی جریان ورودی به مخزن سد یامچی و سبلان در استان اردبیل استفاده شد. دادههای بارش ماهانه، میانگین دمای ماهانه و دبی به عنوان ورودی مدل شبکه عصبی در نظر گرفته شد.
شبکه مورد استفاده در این تحقیق از نوع شبکه چندلایه با الگوریتم پس انتشار خطا و تکنیک یادگیری مارکوارت- لونبرگ - Levenberg-Marquardt - بود. 16 ترکیب مختلف از بین پارامترهای مؤثر به عنوان ورودی مدل انتخاب شد. نتایج حاصل نشاد داد که در حوضه آبریز سد سبلان و یامچی، شبکه عصبی مصنوعی چند لایه به ترتیب با 10 و 17 نرون در لایه مخفی در پیشبینی جریان ورودی به مخزن سد بهترین نتیجه را ارائه میدهد. در حوضههایی با سطح وسیع با دخالت دما به عنوان یکی از پارامترهای مؤثر در پیشبینی جریان، خطای پیشبینی کاهش مییابد.
مقدمه
یکی از منابع مهم ذخیره و تأمین آب در ایران سدهای مخزنی میباشند که علاوه بر کنترل سیلاب، تأمینکننده آب کشاورزی، صنعت، شرب و... نیز به حساب میآیند. استفاده بهینه از آب مخازن سدها که تأمینکننده اصلی آب بخش کشاورزی میباشد، در پرتو مدیریت و بهرهبرداری بهینه از شبکههای آبیاری پاییندست سدها، امکانپذیراست که بدون اطلاع از میزان جریان ورودی به مخازن سدها در دورههای زمانی آتی غیرممکن میباشد
شبکه عصبی مصنوعی - ANN - از جمله روشهای کارآمدی است که استفاده فراوانی در علوم مربوط به هوا و آب دارد. به عقیده محققان، علت اصلی مقبولیت این روش، قدرت و سرعت بالا در شبیهسازی فرآیندهایی است که درک و شناخت درستی از آن وجود نداشته و یا بررسی آنها با دیگر روشهای موجود، بسیار دشوار میباشد. به طور کلی، مدل شبکه عصبی مصنوعی، مدلی قدرتمند با توانمندی بالا در پیشبینی مسائل اقلیمی- هیدرولوژیکی میباشد؛ بخصوص آنجا که این شبکه قادر است قانون حاکم بر دادهها، حتی دادههای مغشوش را استخراج نماید
امروزه تحقیقات بسیار زیادی در زمینهی پیشبینی جریان رودخانهها و شبیهسازی بارش- رواناب با استفاده از شبکه عصبی مصنوعی انجام شده است که در اغلب موارد، شبکه عصبی مصنوعی قادر به پیشبینی و شبیهسازی قابل قبول پارامترهای هیدرولوژیکی میباشد.
محمدی و محمودیان شوشتری - 1385 - با استفاده از شبکه عصبی مصنوعی پرسپترون چند لایه، دبی متوسط هفتگی ورودی به مخزن سد درودزن شیراز را پیشبینی کردند. از 11 الگوی ورودی با تعداد نرونهای مختلف در لایه میانی شبکهای با ساختار 12-8-1 از حداقل خطا برخوردار بود و همین ساختار توانست به سادگی و با دقت قابل قبولی پیشبینی را انجام دهد.
زارعابیانه و بیاتورکشی - 1390 - با به کارگیری مدلهای تجربی، شبکه عصبی مصنوعی و شبکه عصبی- فازی1 - CANFIS - رواناب سالانه را در حوضه زایندهرود اصفهان برآورد کردند. ساختار عصبی مورد استفاده برای هر دو شبکه عصبی و فازی- عصبی از نوع پرسپترون چند لایه با الگوریتم پسانتشار و تعداد نرون بین 1 الی 25 عدد در لایه میانی بود.
در طراحی شبکه فازی- عصبی نیز تعداد 2-5 تابع عضویت ورودی به عنوان تعداد بهینه انتخاب شد. نتایج نشان داد عملکرد مدلهای هوشمند مشتمل بر شبکه عصبی و فازی-عصبی نسبت به روشهای تجربی بهتر است. به طور کلی شبکه عصبی مصنوعی از بین سه روش، بهترین نتیجه را ارائه داد.
خورشیدی و شیروانی - 1394 - برای پیشبینی شاخص بارش استاندارد شده - SPI - 2 در ایستگاه سینوپتیک شیراز مدل اتورگرسیو میانگین متحرک تلفیق شده فصلی - SARIMA - و مدل SARIMA-ANN را به کار گرفتند. نتایج نشان دادند که مجموع مربعات خطای مدل ترکیبی در پیشبینی شاخص SPI در مقایسه با مدل SARIMA مقدار کمتری را داراست که نشان از برتری مدل ترکیبی می باشد.
در سالهای گذشته مطالعات زیادی در خصوص استفاده از شبکه عصبی مصنوعی در کشورهای مختلف صورت گرفته و هرکدام از آنها بنا بر هدف خاصی از آن بهره گرفتهاند. جاین و کومار - 2007 - 3، برای پیشبینی جریان ماهانه رودخانه کلرادو آمریکا مدلهای سری زمانی اتورگرسیو و شبکه عصبی مصنوعی پرسپترون چندلایه پیشخور را مورد استفاده قرار دادند که نتیجه این تحقیق حاکی از برتری مدل شبکه عصبی بود.
ونگ4 و همکاران - 2009 - ، برای پیشبینی دبی ماهانه دو رودخانه در چین مدلهای اتورگرسیو میانگین متحرک، شبکه عصبی مصنوعی، سیستم استنتاج فازی- عصبی تطبیقی، برنامه نویسی ژنتیک و ماشین بردار پشتیبان را به کار گرفتند. از بین پنج مدل، مدلهای سیستم استنتاج فازی- عصبی، برنامه نویسی ژنتیک و ماشین بردار پشتیبان بر سایر مدلها برتری داشتند.
لوهانی5 و همکاران - - 2012، از مدلهای اتورگرسیو، شبکه عصبی مصنوعی و سیستم استنتاج فازی- عصبی برای پیشبینی جریان ماهانه ورودی به مخزن سد در هند بهره گرفتند.
نتایج، حاکی از برتری شبکه عصبی فازی بر دو روش دیگر بود. عبدالطیف و همکاران - 2015 - 6 برای پیشبینی جریان ورودی به مخزن سد برای تأمین آب آبیاری، دو روش شبکه عصبی مصنوعی پیشخور با دو لایه پنهان و مدل اتورگرسیو را به کار گرفتند. نتایج تحقیق حاکی از برتری مدل شبکه عصبی مصنوعی بر مدل اتورگرسیو میباشد.
مواد و روشها
ایستگاههای آبسنجی یامچی و ارباب کندی به عنوان محل اندازهگیری جریان ورودی به مخزن سد یامچی و سبلان میباشد که مساحت تحت پوشش آنها به ترتیب 701 و 5393 کیلومتر مربع است. سد یامچی و سبلان به ترتیب با حجم مفید 60 و 105 میلیون متر مکعب بر روی رودخانه یامچی و قره سو احداث شده است که هر دو جزء حوضه آبریز درهرود از زیرحوضه های ارس میباشد. شکل - 1 - موقعیت جغرافیایی منطقه مورد مطالعه را نشان میدهد.
شکل .1 محدوده منطقه مطالعاتی در استان اردبیل
شکل 2 و 3 نمودار تغییرات دبی در ایستگاههای مشرف به سد سبلان و یامچی و جدول 1 و 2 خصوصیات آماری پارامترهای کمی سد سبلان و یامچی در بازهی زمانی 1373-74 لغایت 1393-94 را نشان میدهد.
