مقاله پیش بینی و آنالیز حساسیت تبخیر ماهانه از مخزن سد سیاه بیشه با استفاده از شبکه های عصبی مصنوعی در ترکیب با الگوریتم ژنتیک

word قابل ویرایش
21 صفحه
دسته : اطلاعیه ها
12700 تومان
127,000 ریال – خرید و دانلود

*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***

پیش بینی و آنالیز حساسیت تبخیر ماهانه از مخزن سد سیاه بیشه با استفاده از شبکه های عصبی مصنوعی در ترکیب با الگوریتم ژنتیک

چکیده
فرآیند تبخیر، یکی از مؤلفه های اصلی چرخه آب در طبیعت است که نقش اساسی در مطالعات کشاورزی، هیدرولوژی و هواشناسی، بهره برداری از مخازن ، طراحی سیستم های آبیاری و زهکشی، زمان بندی آبیاری و مدیریت منابع آب ایفامیکند. روش های زیادی از جملـه روش های بیلان آب ، تبخیر از تشت و روش های تجربی برای تخمین تبخیر از سطح آزاد، ارائه شده است که هر کدام از این روش ها،بـا محدودیت و خطای اندازه گیری توأم میباشد. امروزه تکنیک جدید استفاده از شبکه های عصبی مصنوعی که مبتنی بر هوش مصـنوعی میباشد کاربرد گسترده ای در زمینه های مختلف علمی به ویژه مهندسی آب پیدا کرده است . در این تحقیق با استفاده از مـدل شـبکه عصبی مصنوعی پرسپترون چند لایه (MLP)، شبکه تابع پایه شعاعی (RBF) و شبکه پیش رونده (FF)،میزان تبخیر ماهانه از مخـزن سـد سیاه بیشه تا ٣ماه آینده پیش بینی شد. برای تعیین متغیرهای ورودی مؤثر در مدل های شبکه عصبی مصنوعی و تعداد نرون هادر لایه میانی هر یک از مدل ها،از قابلیت بهینه سازی الگوریتم ژنتیک استفاده شد. نتایج نشان میدهد که ضریب همبستگی بین مقادیر اندازه گیری شده و محاسبه شده با مدل های RBF،MLP و FF دربرآورد و پیش بینی تبخیر ماهانه از مخزن سد سیاه بیشه به ترتیب برابـر بـا ٠.٩٢، ٠.٩٠و ٠.٨٨میباشد. بنابراین مدل RBF از دقت بیشتری نسبت به دو مدل MLP و FF در برآورد و پیش بینی میزان تبخیر ماهانه از مخزن سد،برخوردارمیباشد. نتایج حاصل از آنالیز حساسیت نشان میدهد که تبخیر ماهانه از مخزن سد تا ٣ماه آینده به ترتیـب نسبت به زمان وقوع تبخیر بر حسب ماه ، فشار هوا در سطح زمین در ١، ٣و٢ماه قبل ، سرعت باد در سطح ١٠٠٠میلی بار در ٣و ٢مـاه قبل و دمای هوا در سطح ٣٠٠میلی بار در زمان حال بیشترین حساسیت را دارد.
واژه های کلیدی: پیش بینی، آنالیز حساسیت ، تبخیر، شبکه عصبی مصنوعی، الگوریتم ژنتیک ، سد سیاه بیشه .

مقدمه
فرآیندتبخیر،یکی ازمؤلفه های اصلی چرخه آب درطبیعت است که نقش اساسی درمطالعات کشاورزی،هیدرولوژی وهواشناسی،بهره برداری ازمخازن ،طراحی سیستم های آبیاری وزهکشی،زمان بندی آبیاری ومدیریت منابع آب ایفامیکند. روش های مستقیم وغیر مستقیم زیادی جهت برآورد شدت تبخیر،وجوددارند.روش تشت تبخیر، جزءروش های مستقیم است که به طورمعمول جهت برآورد تبخیردریاچه هاومخازن استفاده میشود.درروش های غیرمستقیم ،شدت تبخیربااستفاده ازروش های تجربی واستفاده ازداده های هواشناسی وفرمول های مبتنی برموازنه جرم وبقای انرژی برآوردمیشود. یکی ازروش های استاندارداندازه گیری تبخیر،تشت تبخیر کلاس Aمرکزهواشناسی آمریکاست ،که درایستگاه های هواشناسی ایران نیزازاین نوع تشت تبخیر،استفاده میشود.نصب تشت تبخیر، دارای محدودیت های ابزاری ومشکلات عملی شامل خطای ناظر،کدورت آب ومشکلات نگهداری است وبه همین دلیل ازمیزان دقت این ابزارمیکاهد. بنابراین با توجه به مشکلات ومحدودیت های تشت تبخیر،ارائه روش هایی برای برآوردمیزان تبخیربااستفاده ازدیگر متغیرهای هواشناسی ضروری است .از آنجایی که تبخیر،اساساًدرطبیعت یک فرایندغیرخطی است ،استفاده ازروابط خطی ،همراه باخطاخواهدبود.
بنابراین برای ایجادرابطه غیرخطی بین تبخیرومتغیرهای هواشناسی میبایدازروش های غیرخطی استفاده کرد (٢٠٠۶ ,Kisi). طی دهه اخیراستفاده ازروش های شبکه عصبی درمدل سازی تبخیر- تعرق وتبخیراز تشت ،توسط محققین زیادی موردتأئیدقرارگرفته است . Bruton وهمکاران در سال ٢٠٠٠تبخیرروزانه ازتشت ،رابااستفاده ازشبکه عصبی مصنوعی تخمین زدند. آنهاداده های بارندگی،دما، رطوبت نسبی،تابش خورشیدی و سرعت بادرابه عنوان ورودی استفاده کردند.نتایج آنهابیانگر آن بودکه میزان تبخیربرآوردشده با روش شبکه عصبی مصنوعی ،کمترین خطا (١.١١میلیمتردرروز)رانسبت به روش های رگرسیون خطی وپریستلی تیلور دارد. Terz و Erol Keskn در سال ٢٠٠۵بابه کارگیری داده های ایستگاه هواشناسی نزدیک دریاچه ای درغرب ترکیه ،میزان تبخیرروزانه ازتشت رابا استفاده ازمدل شبکه عصبی برآورد کردند.نتایج تحقیق آنهانشان دادکه بهترین ترکیب مدل ،با داده های ورودی دمای هوا،دمای سطح آب ،تابش خورشیدی و فشارهوابه دست میآید (٢٠٠۶ ,Kisi). در تحقیقی که مربوط به غرب ترکیه است ، تبخیرروزانه ازتشت را با استفاده ازشبکه عصبی مصنوعی وروش عصبی -فازی ،و روش تجربی استیفنز -استوارت برآورد کرد. دراین تحقیق داده های دمای هوا، تابش خورشیدی،سرعت باد،فشارهوا و رطوبت نسبی ،به عنوان ورودی انتخاب شدند. نتایج مربوطه بیانگرآن است که روش عصبی- فازی ،بهترین روش برای برآوردتبخیرازتشت است . رحیمی خوب در سال ٢٠٠٨با ارائه مدل ANN،برتری شبکه های عصبی هوشمند را نسبت به معادله هارگریوز نشان داد. Chen و Chang در سال ٢٠٠٩در مطالعه ای نشان دادند که استفاده از الگوریتم ژنتیک برای بهینه سازی داده های ورودی شبکه های عصبی مصنوعی میتواند نتایج دقیق تری را نسبت به حالتی که از این الگوریتم استفاده نمی شود به ما بدهد. در این تحقیق به برآورد و پیش بینی میزان تبخیرتا ٣ماه آینده در مخزن سد سیاه بیشه و با استفاده از شبکه های عصبی مصنوعی پرداخته میشود. همچنین به منظور تعیین متغیرهای ورودی مؤثر بر متغیرهای خروجی و تعیین ساختار بهینه مدل ها،از قابلیت بهینه سازی الگوریتم ژنتیک استفاده شده است .
مواد و روش ها
مدل شبکه عصبی مصنوعی
شبکه عصبی مصنوعی،روشی محاسباتی والهام گرفته از سیستم های عصبی بیولوژیک است .شبکه عصبی مصنوعی ازتعدادی عناصر پردازش تشکیل شده است که معمولاًبه صورت موازی عمل میکنندودر معماریهای منظمی،شکل مییابند.یک شبکه عصبی مصنوعی،شبیه مغزانسان ،قابلیت یادگیری، فراخوانی وتعمیم یافتن ازالگوهای یادگیری داده هارادارا است . این شبکه هامیتوانندبرای اجرای یک عمل خاص باتعدیل کردن وزن های بین عناصر،آموزش ببیند.معمولاًشبکه های عصبی مصنوعی جهت تبدیل یک ورودی به یک خروجی ،آموزش میبینند. مزیت شبکه های عصبی مصنوعی نسبت به روش های تجربی این است که قادربه مدل سازی سیستم های خطی وغیرخطی هستند (٢٠٠۴ ,Riad).این روش درقیاس بادیگرروش ها،حساسیت کمتری نسبت به وجودخطادر اطلاعات ورودی دارد. گزارش کمیته تحقیق جامعه مهندسین عمران آمریکابراستفاده ازشبکه های عصبی مصنوعی به عنوان گزینه های مفیدوارزشمند درمدل سازیهای مختلف هیدرولوژیکی تأکیددارد. آنهابابررسی نقش شبکه های عصبی مصنوعی درشاخه های مختلف هیدرولوژی، نتیجه گیری کرده اندکه شبکه های عصبی مصنوعی،قابلیت شبیه سازی بسیاری ازنگاشت های پیچیده غیرخطی رادر این زمینه دارا میباشند (a,b٢٠٠٠ ,ASCE). یادگیری شبکه های عصبی، در واقع تنظیم پارامترهای شبکه چون مقادیر وزن های wو bاست . شبکه ای دارای یک قابلیت یادگیری مناسب است که اگر برای یک وضعیت خاص آموزش داده شود و تغییر کوچکی در شرایط محیطی شبکه رخ دهد، شبکه بتواند با آموزشی مختصر، برای شرایط جدید نیز کارآمد باشد. نمای شماتیک شبکه عصبی درشکل ١نشان داده شده است .
در این شبکه ،نرون های هر لایه تماماً به نرون های لایۀ قبل متصل شده است . خروجی هر لایه پس از تأثیر گذاشتن تابع محرک، ورودی لایۀ بعدی میگردد و این روند تا بدست آمدن خروجی شبکه ادامه مییابد. روند یادگیری در شبکه های انتشار برگشتی ،طی سه مرحلۀ رفت ، مرحلۀ برگشت و مرحلۀ تکرار محاسبات ،انجام میپذیرد. رابطه بین خروجی هر نرون (قبل از ورود به تابع محرک) و مقادیر ورودی به صورت زیر است :

در رابطه فوق R، تعداد کل ورودیها، pورودیهای مدل ، wشدت اتصال (وزن ) بین نرونها وb بایاس مربوط به هر نرون میباشد. شبکه – های عصبی مصنوعی با وجود اینکه با سیستم عصبی طبیعی قابل مقایسه نیستند، ویژگیهایی دارند که آنها را در بعضی از کاربردها مانند تفکیک الگو و یا هرجا که نیاز به یادگیری با یک نگاشت خطی و یا غیرخطی باشد، ممتاز مینمایند. از ویژگیها و قابلیت های شبکه های عصبی مصنوعی به مواردی همچون قابلیت یادگیری و تطبیق پذیری با اطلاعات موجود، قابلیت تعمیم دهی، پردازش موازی ورودیهای شبکه و در نتیجه افزایش سرعت پردازش ، تحمل پذیری بالای خطاها و غیره میتوان اشاره کرد (منهاج ، ١٣٨١). در این تحقیق از روش شبکه عصبی پرسپترون چند لایه (MLP)، شبکه تابع پایه شعاعی (RBF) و شبکه پیش رونده (FF) برای پیش بینی و برآورد ماهانه تبخیر از سد سیاه بیشه استفاده شده است .

شکل ١: یک شبکه عصبی مصنوعی تک لایه با sنرون

ارزیابی شبکه های عصبی مصنوعی
به منظور ارزیابی و بررسی مدل های مورد استفاده در برآورد تبخیر، از معیارهای متداول ضریب تعیین ،جذرمیانگین مربع خطا ومیانگین خطای مطلق استفاده میشود. معیار آماری ضریب تعیین ،برای تعیین همبستگی بین مقادیر و برآورد شده و همچنین جذر میانگین مربع خطا و میانگین خطای مطلق ،برای تعیین مقادیرخطای برآوردشده ،به کاربرده شدند.روابط مربوطه به صورت زیرهستند: در این روابط : امین داده واقعی و برآورد شده ، میانگین داده های واقعی، میانگین داده های برآورد شده و nتعداد نمونه های ارزیابی هستند.
معرفی منطقه مورد مطالعه
حوزه مورد مطالعه ،سد سیاه بیشه است که در منطقه کوهستانی البرز شمالی و در فاصله ١٢۵کیلومتری شمال تهران واقع شده است . داده های این تحقیق از اداره کل هواشناسی استان مازندران اخذ گردیده شده . نزدیک ترین ایستگاه سینوپتیک به سد سیاه بیشه ، ایستگاه سینوپتیک سیاه بیشه بامختصات جغرافیایی ‘٢۵’٣۶عرض شمالی ، ‘٣٠’۵١طول شرقی میباشد که ١٨۵۵.۴متر ازسطح دریا ارتفاع دارد.شکل ٢نمایی از منطقه مورد مطالعه را نشان میدهد. باتوجه به روش طبقه بندی دومارتن ،منطقه موردمطالعه دراقلیم نیمه مرطوب قرار دارد که مشخصات اقلیمی آن درجدول ١ارائه شده است . اطلاعات هواشناسی مورد استفاده شامل : پارامترهای ماهانه حداکثر و حداقل دمای هوا (T)، حداکثر و حداقل رطوبت نسبی(RH)، سرعت باددرارتفاع ١٠متری(U10)، ساعات آفتابی و میزان بارندگی(R) بوده و همچنین اطلاعات هواشناسی ایستگاه جو بالا شامل : پارامترهای ماهانه دمای هوا در سطح ٣٠٠میلی بار و ١٠٠٠میلی بار، رطوبت نسبی در سطح ٣٠٠میلی بار و ١٠٠٠میلی بار،سرعت باد منطقه ای در سطح ٣٠٠میلی بار و ١٠٠٠میلی بار و فشار در سطح زمین میباشد. بازده زمانی مورد مطالعه از فروردین ماه سال ١٣۶۵الی اسفند سال ١٣٨٨میباشد.

تعیین متغیرهای ورودی مؤثر در مدل شبکه عصبی مصنوعی با بکارگیری الگوریتم ژنتیک
به منظور ایجاد و ساخت الگوهای آموزشی، داده های مرتب شده در مرحله پیش پردازش ، در کنار یکدیگر قرار داده شدند. علاوه بر این به منظور در نظر گرفتن اثر پارامترهای ماه های قبل ، تأخیر زمانی ٣ماه قبل ،برای متغیرهای ورودی در نظر گرفته شد تا مجموعه پتانسیل متغیرهای ورودی به دست آید. تعداد الگوهای به دست آمده بعد از تاخیر زمانی متغیرها،برابر با ٢٧٣میباشد. جدول ٢مجموعه پتانسیل متغیرهای ورودی حاصل از ساخت الگوهای آموزشی را نشان میدهد که برابر با ۵٣متغیر ورودی میباشد. جدول ٣متغیرهای خروجی موردنظر را نشان میدهد. به منظور تعیین متغیرهای ورودی مؤثر، از امکانات الگوریتم ژنتیک نرم افزار NeuroSolutions استفاده گردید.
برای این منظور از مدل MLP که یک مدل پرکاربرد در مدل سازی فرایندهای هیدرولیکی و هیدرولوژیکی میباشد،در ترکیب با الگوریتم ژنتیک به ازای تعداد نسل های برابر با ١٠٠و تعداد افراد (جمعیت ) تولید شده در هر نسل برابر با ۵٠در نظر گرفته شد. جدول ۴نتایج حاصل از تعیین متغیرهای ورودی مؤثر با به کارگیری قابلیت الگوریتم ژنتیک را نشان میدهد. در این جدول ،متغیرهایی که درسیستم کدگذاری دودویی الگوریتم ژنتیک شامل عدد یک میباشند متغیرهای مؤثر و متغیرهایی که شامل عدد صفر هستند، جزء متغیرهای غیر مؤثر در نظر گرفته شده اند. با توجه به جدول ۴تعداد متغیرهای ورودی مؤثر برابر با ۵٠عدد حاصل گردید.

کالیبراسیون مدل های شبکه عصبی مصنوعی
کالیبراسیون هر یک از مدل های شبکۀ عصبی مصنوعی ،شامل تعیین تعداد تکرارهای مناسب جهت آموزش ، تعیین مناسب ترین الگوریتم آموزش و نیز تابع تحریک در هر یک از لایه های پنهان ،و خروجی شبکه ،و تعیین تعداد بهینه نرون هادر لایه پنهان میباشد. با توجه به تعداد الگوها (٢٧٣)، از ٧٠% الگوها جهت کالیبراسیون (آموزش ) مدل های شبکه عصبی مصنوعی استفاده گردید. همچنین از ١۵% الگوها جهت ارزیابی همزمان با آموزش شبکه و از ١۵% باقیمانده برای تست (آزمون ) عملکرد شبکه های کالیبره شده استفاده گردید. جدول ۵ نتایج حاصل از کالیبراسیون هر یک از مدل های MLP،FF و RBF را نشان میدهد. در ادامه به علت حجم زیاد محاسبات و نمودارها و جداول ،برای هر یک از مدل هافقط نتیجه حاصل از تعیین تعداد بهینه نرون هادر لایه میانی شبکه MLP با استفاده از الگوریتم ژنتیک بیان میشود.

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 12700 تومان در 21 صفحه
127,000 ریال – خرید و دانلود
سایر مقالات موجود در این موضوع
دیدگاه خود را مطرح فرمایید . وظیفه ماست که به سوالات شما پاسخ دهیم

پاسخ دیدگاه شما ایمیل خواهد شد