بخشی از مقاله
*** اين فايل شامل تعدادي فرمول مي باشد و در سايت قابل نمايش نيست ***
پيش بيني و آناليز حساسيت تبخير ماهانه از مخزن سد سياه بيشه با استفاده از شبکه هاي عصبي مصنوعي در ترکيب با الگوريتم ژنتيک
چکيده
فرآيند تبخير، يکي از مؤلفه هاي اصلي چرخه آب در طبيعت است که نقش اساسي در مطالعات کشاورزي، هيدرولوژي و هواشناسي، بهره برداري از مخازن ، طراحي سيستم هاي آبياري و زهکشي، زمان بندي آبياري و مديريت منابع آب ايفاميکند. روش هاي زيادي از جملـه روش هاي بيلان آب ، تبخير از تشت و روش هاي تجربي براي تخمين تبخير از سطح آزاد، ارائه شده است که هر کدام از اين روش ها،بـا محدوديت و خطاي اندازه گيري توأم ميباشد. امروزه تکنيک جديد استفاده از شبکه هاي عصبي مصنوعي که مبتني بر هوش مصـنوعي ميباشد کاربرد گسترده اي در زمينه هاي مختلف علمي به ويژه مهندسي آب پيدا کرده است . در اين تحقيق با استفاده از مـدل شـبکه عصبي مصنوعي پرسپترون چند لايه (MLP)، شبکه تابع پايه شعاعي (RBF) و شبکه پيش رونده (FF)،ميزان تبخير ماهانه از مخـزن سـد سياه بيشه تا ٣ماه آينده پيش بيني شد. براي تعيين متغيرهاي ورودي مؤثر در مدل هاي شبکه عصبي مصنوعي و تعداد نرون هادر لايه مياني هر يک از مدل ها،از قابليت بهينه سازي الگوريتم ژنتيک استفاده شد. نتايج نشان ميدهد که ضريب همبستگي بين مقادير اندازه گيري شده و محاسبه شده با مدل هاي RBF،MLP و FF دربرآورد و پيش بيني تبخير ماهانه از مخزن سد سياه بيشه به ترتيب برابـر بـا ٠.٩٢، ٠.٩٠و ٠.٨٨ميباشد. بنابراين مدل RBF از دقت بيشتري نسبت به دو مدل MLP و FF در برآورد و پيش بيني ميزان تبخير ماهانه از مخزن سد،برخوردارميباشد. نتايج حاصل از آناليز حساسيت نشان ميدهد که تبخير ماهانه از مخزن سد تا ٣ماه آينده به ترتيـب نسبت به زمان وقوع تبخير بر حسب ماه ، فشار هوا در سطح زمين در ١، ٣و٢ماه قبل ، سرعت باد در سطح ١٠٠٠ميلي بار در ٣و ٢مـاه قبل و دماي هوا در سطح ٣٠٠ميلي بار در زمان حال بيشترين حساسيت را دارد.
واژه هاي کليدي: پيش بيني، آناليز حساسيت ، تبخير، شبکه عصبي مصنوعي، الگوريتم ژنتيک ، سد سياه بيشه .
مقدمه
فرآيندتبخير،يکي ازمؤلفه هاي اصلي چرخه آب درطبيعت است که نقش اساسي درمطالعات کشاورزي،هيدرولوژي وهواشناسي،بهره برداري ازمخازن ،طراحي سيستم هاي آبياري وزهکشي،زمان بندي آبياري ومديريت منابع آب ايفاميکند. روش هاي مستقيم وغير مستقيم زيادي جهت برآورد شدت تبخير،وجوددارند.روش تشت تبخير، جزءروش هاي مستقيم است که به طورمعمول جهت برآورد تبخيردرياچه هاومخازن استفاده ميشود.درروش هاي غيرمستقيم ،شدت تبخيربااستفاده ازروش هاي تجربي واستفاده ازداده هاي هواشناسي وفرمول هاي مبتني برموازنه جرم وبقاي انرژي برآوردميشود. يکي ازروش هاي استاندارداندازه گيري تبخير،تشت تبخير کلاس Aمرکزهواشناسي آمريکاست ،که درايستگاه هاي هواشناسي ايران نيزازاين نوع تشت تبخير،استفاده ميشود.نصب تشت تبخير، داراي محدوديت هاي ابزاري ومشکلات عملي شامل خطاي ناظر،کدورت آب ومشکلات نگهداري است وبه همين دليل ازميزان دقت اين ابزارميکاهد. بنابراين با توجه به مشکلات ومحدوديت هاي تشت تبخير،ارائه روش هايي براي برآوردميزان تبخيربااستفاده ازديگر متغيرهاي هواشناسي ضروري است .از آنجايي که تبخير،اساساًدرطبيعت يک فرايندغيرخطي است ،استفاده ازروابط خطي ،همراه باخطاخواهدبود.
بنابراين براي ايجادرابطه غيرخطي بين تبخيرومتغيرهاي هواشناسي ميبايدازروش هاي غيرخطي استفاده کرد (٢٠٠٦ ,Kisi). طي دهه اخيراستفاده ازروش هاي شبکه عصبي درمدل سازي تبخير- تعرق وتبخيراز تشت ،توسط محققين زيادي موردتأئيدقرارگرفته است . Bruton وهمکاران در سال ٢٠٠٠تبخيرروزانه ازتشت ،رابااستفاده ازشبکه عصبي مصنوعي تخمين زدند. آنهاداده هاي بارندگي،دما، رطوبت نسبي،تابش خورشيدي و سرعت بادرابه عنوان ورودي استفاده کردند.نتايج آنهابيانگر آن بودکه ميزان تبخيربرآوردشده با روش شبکه عصبي مصنوعي ،کمترين خطا (١.١١ميليمتردرروز)رانسبت به روش هاي رگرسيون خطي وپريستلي تيلور دارد. Terz و Erol Keskn در سال ٢٠٠٥بابه کارگيري داده هاي ايستگاه هواشناسي نزديک درياچه اي درغرب ترکيه ،ميزان تبخيرروزانه ازتشت رابا استفاده ازمدل شبکه عصبي برآورد کردند.نتايج تحقيق آنهانشان دادکه بهترين ترکيب مدل ،با داده هاي ورودي دماي هوا،دماي سطح آب ،تابش خورشيدي و فشارهوابه دست ميآيد (٢٠٠٦ ,Kisi). در تحقيقي که مربوط به غرب ترکيه است ، تبخيرروزانه ازتشت را با استفاده ازشبکه عصبي مصنوعي وروش عصبي -فازي ،و روش تجربي استيفنز -استوارت برآورد کرد. دراين تحقيق داده هاي دماي هوا، تابش خورشيدي،سرعت باد،فشارهوا و رطوبت نسبي ،به عنوان ورودي انتخاب شدند. نتايج مربوطه بيانگرآن است که روش عصبي- فازي ،بهترين روش براي برآوردتبخيرازتشت است . رحيمي خوب در سال ٢٠٠٨با ارائه مدل ANN،برتري شبکه هاي عصبي هوشمند را نسبت به معادله هارگريوز نشان داد. Chen و Chang در سال ٢٠٠٩در مطالعه اي نشان دادند که استفاده از الگوريتم ژنتيک براي بهينه سازي داده هاي ورودي شبکه هاي عصبي مصنوعي ميتواند نتايج دقيق تري را نسبت به حالتي که از اين الگوريتم استفاده نمي شود به ما بدهد. در اين تحقيق به برآورد و پيش بيني ميزان تبخيرتا ٣ماه آينده در مخزن سد سياه بيشه و با استفاده از شبکه هاي عصبي مصنوعي پرداخته ميشود. همچنين به منظور تعيين متغيرهاي ورودي مؤثر بر متغيرهاي خروجي و تعيين ساختار بهينه مدل ها،از قابليت بهينه سازي الگوريتم ژنتيک استفاده شده است .
مواد و روش ها
مدل شبکه عصبي مصنوعي
شبکه عصبي مصنوعي،روشي محاسباتي والهام گرفته از سيستم هاي عصبي بيولوژيک است .شبکه عصبي مصنوعي ازتعدادي عناصر پردازش تشکيل شده است که معمولاًبه صورت موازي عمل ميکنندودر معماريهاي منظمي،شکل مييابند.يک شبکه عصبي مصنوعي،شبيه مغزانسان ،قابليت يادگيري، فراخواني وتعميم يافتن ازالگوهاي يادگيري داده هارادارا است . اين شبکه هاميتوانندبراي اجراي يک عمل خاص باتعديل کردن وزن هاي بين عناصر،آموزش ببيند.معمولاًشبکه هاي عصبي مصنوعي جهت تبديل يک ورودي به يک خروجي ،آموزش ميبينند. مزيت شبکه هاي عصبي مصنوعي نسبت به روش هاي تجربي اين است که قادربه مدل سازي سيستم هاي خطي وغيرخطي هستند (٢٠٠٤ ,Riad).اين روش درقياس باديگرروش ها،حساسيت کمتري نسبت به وجودخطادر اطلاعات ورودي دارد. گزارش کميته تحقيق جامعه مهندسين عمران آمريکابراستفاده ازشبکه هاي عصبي مصنوعي به عنوان گزينه هاي مفيدوارزشمند درمدل سازيهاي مختلف هيدرولوژيکي تأکيددارد. آنهابابررسي نقش شبکه هاي عصبي مصنوعي درشاخه هاي مختلف هيدرولوژي، نتيجه گيري کرده اندکه شبکه هاي عصبي مصنوعي،قابليت شبيه سازي بسياري ازنگاشت هاي پيچيده غيرخطي رادر اين زمينه دارا ميباشند (a,b٢٠٠٠ ,ASCE). يادگيري شبکه هاي عصبي، در واقع تنظيم پارامترهاي شبکه چون مقادير وزن هاي wو bاست . شبکه اي داراي يک قابليت يادگيري مناسب است که اگر براي يک وضعيت خاص آموزش داده شود و تغيير کوچکي در شرايط محيطي شبکه رخ دهد، شبکه بتواند با آموزشي مختصر، براي شرايط جديد نيز کارآمد باشد. نماي شماتيک شبکه عصبي درشکل ١نشان داده شده است .
در اين شبکه ،نرون هاي هر لايه تماماً به نرون هاي لايۀ قبل متصل شده است . خروجي هر لايه پس از تأثير گذاشتن تابع محرک، ورودي لايۀ بعدي ميگردد و اين روند تا بدست آمدن خروجي شبکه ادامه مييابد. روند يادگيري در شبکه هاي انتشار برگشتي ،طي سه مرحلۀ رفت ، مرحلۀ برگشت و مرحلۀ تکرار محاسبات ،انجام ميپذيرد. رابطه بين خروجي هر نرون (قبل از ورود به تابع محرک) و مقادير ورودي به صورت زير است :
در رابطه فوق R، تعداد کل وروديها، pوروديهاي مدل ، wشدت اتصال (وزن ) بين نرونها وb باياس مربوط به هر نرون ميباشد. شبکه - هاي عصبي مصنوعي با وجود اينکه با سيستم عصبي طبيعي قابل مقايسه نيستند، ويژگيهايي دارند که آنها را در بعضي از کاربردها مانند تفکيک الگو و يا هرجا که نياز به يادگيري با يک نگاشت خطي و يا غيرخطي باشد، ممتاز مينمايند. از ويژگيها و قابليت هاي شبکه هاي عصبي مصنوعي به مواردي همچون قابليت يادگيري و تطبيق پذيري با اطلاعات موجود، قابليت تعميم دهي، پردازش موازي وروديهاي شبکه و در نتيجه افزايش سرعت پردازش ، تحمل پذيري بالاي خطاها و غيره ميتوان اشاره کرد (منهاج ، ١٣٨١). در اين تحقيق از روش شبکه عصبي پرسپترون چند لايه (MLP)، شبکه تابع پايه شعاعي (RBF) و شبکه پيش رونده (FF) براي پيش بيني و برآورد ماهانه تبخير از سد سياه بيشه استفاده شده است .
شکل ١: يک شبکه عصبي مصنوعي تک لايه با sنرون
ارزيابي شبکه هاي عصبي مصنوعي
به منظور ارزيابي و بررسي مدل هاي مورد استفاده در برآورد تبخير، از معيارهاي متداول ضريب تعيين ،جذرميانگين مربع خطا وميانگين خطاي مطلق استفاده ميشود. معيار آماري ضريب تعيين ،براي تعيين همبستگي بين مقادير و برآورد شده و همچنين جذر ميانگين مربع خطا و ميانگين خطاي مطلق ،براي تعيين مقاديرخطاي برآوردشده ،به کاربرده شدند.روابط مربوطه به صورت زيرهستند: در اين روابط : امين داده واقعي و برآورد شده ، ميانگين داده هاي واقعي، ميانگين داده هاي برآورد شده و nتعداد نمونه هاي ارزيابي هستند.
معرفي منطقه مورد مطالعه
حوزه مورد مطالعه ،سد سياه بيشه است که در منطقه کوهستاني البرز شمالي و در فاصله ١٢٥کيلومتري شمال تهران واقع شده است . داده هاي اين تحقيق از اداره کل هواشناسي استان مازندران اخذ گرديده شده . نزديک ترين ايستگاه سينوپتيک به سد سياه بيشه ، ايستگاه سينوپتيک سياه بيشه بامختصات جغرافيايي '٢٥'٣٦عرض شمالي ، '٣٠'٥١طول شرقي ميباشد که ١٨٥٥.٤متر ازسطح دريا ارتفاع دارد.شکل ٢نمايي از منطقه مورد مطالعه را نشان ميدهد. باتوجه به روش طبقه بندي دومارتن ،منطقه موردمطالعه دراقليم نيمه مرطوب قرار دارد که مشخصات اقليمي آن درجدول ١ارائه شده است . اطلاعات هواشناسي مورد استفاده شامل : پارامترهاي ماهانه حداکثر و حداقل دماي هوا (T)، حداکثر و حداقل رطوبت نسبي(RH)، سرعت باددرارتفاع ١٠متري(U10)، ساعات آفتابي و ميزان بارندگي(R) بوده و همچنين اطلاعات هواشناسي ايستگاه جو بالا شامل : پارامترهاي ماهانه دماي هوا در سطح ٣٠٠ميلي بار و ١٠٠٠ميلي بار، رطوبت نسبي در سطح ٣٠٠ميلي بار و ١٠٠٠ميلي بار،سرعت باد منطقه اي در سطح ٣٠٠ميلي بار و ١٠٠٠ميلي بار و فشار در سطح زمين ميباشد. بازده زماني مورد مطالعه از فروردين ماه سال ١٣٦٥الي اسفند سال ١٣٨٨ميباشد.
تعيين متغيرهاي ورودي مؤثر در مدل شبکه عصبي مصنوعي با بکارگيري الگوريتم ژنتيک
به منظور ايجاد و ساخت الگوهاي آموزشي، داده هاي مرتب شده در مرحله پيش پردازش ، در کنار يکديگر قرار داده شدند. علاوه بر اين به منظور در نظر گرفتن اثر پارامترهاي ماه هاي قبل ، تأخير زماني ٣ماه قبل ،براي متغيرهاي ورودي در نظر گرفته شد تا مجموعه پتانسيل متغيرهاي ورودي به دست آيد. تعداد الگوهاي به دست آمده بعد از تاخير زماني متغيرها،برابر با ٢٧٣ميباشد. جدول ٢مجموعه پتانسيل متغيرهاي ورودي حاصل از ساخت الگوهاي آموزشي را نشان ميدهد که برابر با ٥٣متغير ورودي ميباشد. جدول ٣متغيرهاي خروجي موردنظر را نشان ميدهد. به منظور تعيين متغيرهاي ورودي مؤثر، از امکانات الگوريتم ژنتيک نرم افزار NeuroSolutions استفاده گرديد.
براي اين منظور از مدل MLP که يک مدل پرکاربرد در مدل سازي فرايندهاي هيدروليکي و هيدرولوژيکي ميباشد،در ترکيب با الگوريتم ژنتيک به ازاي تعداد نسل هاي برابر با ١٠٠و تعداد افراد (جمعيت ) توليد شده در هر نسل برابر با ٥٠در نظر گرفته شد. جدول ٤نتايج حاصل از تعيين متغيرهاي ورودي مؤثر با به کارگيري قابليت الگوريتم ژنتيک را نشان ميدهد. در اين جدول ،متغيرهايي که درسيستم کدگذاري دودويي الگوريتم ژنتيک شامل عدد يک ميباشند متغيرهاي مؤثر و متغيرهايي که شامل عدد صفر هستند، جزء متغيرهاي غير مؤثر در نظر گرفته شده اند. با توجه به جدول ٤تعداد متغيرهاي ورودي مؤثر برابر با ٥٠عدد حاصل گرديد.
کاليبراسيون مدل هاي شبکه عصبي مصنوعي
کاليبراسيون هر يک از مدل هاي شبکۀ عصبي مصنوعي ،شامل تعيين تعداد تکرارهاي مناسب جهت آموزش ، تعيين مناسب ترين الگوريتم آموزش و نيز تابع تحريک در هر يک از لايه هاي پنهان ،و خروجي شبکه ،و تعيين تعداد بهينه نرون هادر لايه پنهان ميباشد. با توجه به تعداد الگوها (٢٧٣)، از ٧٠% الگوها جهت کاليبراسيون (آموزش ) مدل هاي شبکه عصبي مصنوعي استفاده گرديد. همچنين از ١٥% الگوها جهت ارزيابي همزمان با آموزش شبکه و از ١٥% باقيمانده براي تست (آزمون ) عملکرد شبکه هاي کاليبره شده استفاده گرديد. جدول ٥ نتايج حاصل از کاليبراسيون هر يک از مدل هاي MLP،FF و RBF را نشان ميدهد. در ادامه به علت حجم زياد محاسبات و نمودارها و جداول ،براي هر يک از مدل هافقط نتيجه حاصل از تعيين تعداد بهينه نرون هادر لايه مياني شبکه MLP با استفاده از الگوريتم ژنتيک بيان ميشود.
