پایان نامه ارزیابی عملکرد مدل های هوشمند نروفازی و شبکه های عصبی مصنوعی در پیش بینی و شبیه سازی پارامتر کیفی TDS رودخانه ها (مطالعه موردی رودخانه آب شیرین)

فهرست:

فصل اول: مفاهیم اولیه. 8

1-1          مقدمه  8

1-2          پیش بینی هیدرولوژیکی.. 9

1-2-1        مدل‌سازی برای پیش‌بینی. 10

1-2-1-1    تعیین پیش بینی کننده مناسب.. 10

1-2-1-2    تعیین مدل مناسب.. 11

1-2-1-3    واسنجی   11

1-2-1-4    صحت سنجی مدل. 11

1-3          تحلیل سری‌های زمانی.. 12

1-3-1        بررسی فرایندهای غیر قطعی. 13

1-3-2        مدل‌های پیش‌بینی مفهومی. 13

1-4          کیفیت آب.. 14

1-4-1        کل مواد جامد محلول (TDS) 14

1-4-2        هدایت الکتریکی(EC) 15

1-5          کلیات تحقیق. 15

1-5-1        هدف از انجام پروژه 15

1-5-2        چهارچوب کلی پایان نامه 16

فصل دوم: مروری بر تحقیقات و مطالعات انجام شده 18

2-1          مقدمه  18

2-2          مروری بر ادبیات موضوع. 19

2-2-1        شبکه‌های عصبی مصنوعی در هیدرولوژی.. 19

2-2-2        تحقیقات انجام شده در زمینه‌ی مدلسازی پارامترهای کیفی رودخانه‌ها 20

2-2-3        تحقیقات انجام شده در زمینه‌ی سیستم استنتاج عصبی- فازی.. 25

2-2-4        تحقیقات انجام شده در زمینه‌ی مدل‌های هیبرید. 27

فصل سوم: مدل هوشمند شبکه‌های عصبی مصنوعی.. 31

3-1          مقدمه  31

3-1-1        تاریخچه شبکه‌های عصبی. 32

3-1-2        دلایل استفاده از شبکه‌های عصبی مصنوعی. 33

3-1-2-1    قابلیت یادگیری: 33

3-1-2-2    پراکندگی اطلاعات «پردازش اطلاعات به صورت متن» 34

3-1-2-3    قابلیت تعمیم  34

3-1-2-4    پردازش موازی.. 34

3-1-2-5    مقاوم بودن  35

3-2          توابع انتقال. 35

3-2-1        خواص توابع سیگموئیدی.. 35

3-2-2        تابع تانژانت هیپربولیک tansig. 35

3-3          معماری شبکه‌های عصبی.. 37

3-3-1        نورون با یک بردار به عنوان ورودی.. 37

3-3-2        شبکه یک لایه 38

3-4          قوانین یادگیری.. 38

3-4-1        شبکه‌های پس انتشار. 39

3-4-2        شبکه‌های Feedforward. 40

3-4-3        آموزش شبکه 40

3-4-3-1    الگوریتم پس انتشار. 41

3-4-3-2    الگوریتم Levenberg- Marquardt 41

3-4-3-3    توقف زودرس... 42

3-4-3-4    محدودیت‌های شبکه‌های پس انتشار. 42

فصل چهارم:منطق فازی و مدل ترکیبی عصبی-فازی (ANFIS) 43

4-1          مقدمه  43

4-1-1        سیستم‌های فازی.. 43

4-1-2        تاریخچه 44

4-2          منطق فازی چیست؟. 45

4-2-1        توصیف منطق فازی.. 45

4-2-2        دلایل استفاده از منطق فازی.. 46

4-2-3        هدف منطق فازی.. 47

4-3          اصول در منطق فازی.. 48

4-3-1        مجموعه‌های فازی.. 48

4-3-2        توابع عضویت در منطق فازی.. 49

4-3-3        عملیات منطقی. 50

4-3-4        قواعد if – then. 51

4-4          سیستم‌های استنتاج فازی.. 53

4-4-1        تعریف سیستم‌های استنتاج فازی.. 53

4-4-2        استنتاج فازی به روش سوگنو. 54

4-4-3        مقایسه روش‌های ممدانی و سوگنو. 54

4-5          ANFIS  55

4-5-1        ANFIS چیست؟. 55

4-5-2        یادگیری مدل و استنتاج از طریق ANFIS. 55

4-5-3        ساختار FIS و تنظیم پارامتر. 55

4-5-4        شبکه های یادگیرنده تطابقی عصبی فازی ANFIS. 56

4-5-5        معتبرسازی مدل با استفاده از مجموعه داده‌های آزمایشی و داده‌های وارسی. 58

4-5-6        محدودیت‌های ANFIS. 59

4-5-7        ساختار و نحوه‌ی ایجاد مدل نروفازی.. 59

4-5-7-1    افراز شبکه‌ای   60

4-5-7-2    کلاسترینگ تفاضلی.. 60

4-5-7-3    C – Means فازی.. 61

فصل پنجم: تدوین مدل‌های هوشمند شبیه‌سازی و پیش‌بینی پارامترهای کیفی.. 63

5-1          مقدمه  63

5-1-1        مدل‌های مورد استفاده 65

5-1-2        مشخصات حوزه رودخانه و ایستگاه مورد مطالعه 65

5-1-3        بررسی سازگاری داده‌ها 68

5-2          انتخاب ورودی.. 69

5-2-1        انتخاب ورودی مدل‌ها برای شبیه‌سازی پارامترهای کیفی. 69

5-2-2        انتخاب ورودی مدل‌ها برای پیش‌بینی پارامترهای کیفی. 70

5-3          طراحی شبکه عصبی.. 72

5-3-1        تعداد لایه‌های مخفی مورد نیاز. 72

5-3-2        تعداد نورون‌های مورد نیاز لایۀ مخفی. 73

5-3-3        نوع توابع انتقال مورد استفاده 73

5-3-3-1    نرمال سازی داده‌ها 74

5-3-4        انتخاب توابع آموزش شبکه 74

5-3-5        ساختار شبکه عصبی مورد استفاده 76

5-3-6        الگوریتم شبکه عصبی طراحی شده برای شبیه‌سازی و پیش‌بینی تغیرات شوری.. 76

5-4          ارزیابی مدل‌ها 78

5-4-1        ریشه میانگین مربعات خطا 78

5-4-2        میانگین درصد خطای مطلق. 78

5-4-3        ضریب کارایی شبکه 78

5-4-4        میانگین خطای مطلق. 79

5-4-5        مجذور ضریب همبستگی. 79

5-5          نتایج پیش‌بینی پارامترهای کیفی رودخانه آب‌شیرین-ایستگاه گرآب.. 79

5-5-1        نروفازی  (ANFIS) 79

5-5-1-1    نروفازی در پیش‌بینیEC  با ساختار genfis2. 80

5-5-1-2    نروفازی در پیش‌بینیEC  با ساختار genfis3. 82

5-5-2        شبکه‌های عصبی در پیش‌بینی EC گام زمانی آینده ایستگاه گراب.. 85

5-6          نتایج شبیه‌سازی پارامترهای کیفی رودخانه آب‌شیرین-ایستگاه گرآب.. 89

5-6-1        شیبه‌سازی TDS با نروفازی genfis1. 89

5-6-2        شیبه‌سازی TDS با نروفازی genfis2. 90

5-6-3        شبکه‌های عصبی در شبیه‌سازی TDS ایستگاه گراب.. 91

5-6-4        مقایسه نتایج شبیه‌سازی مدل‌های شبکه عصبی و نروفازی.. 94

5-7          مدلسازی مربوط به رودخانه رود زرد (ایستگاه ماشین) 95

5-7-1 منطقه مورد مطالعه 95

5-7-1        نتایج پیش‌بینی پارامتر کیفیTDS  رودخانه رود زرد. 96

5-7-2-1    نروفازی در پیش‌بینیTDS گام زمانی آینده رودخانه رود زرد-ایستگاه ماشین.. 96

5-7-2-2    شبکه‌های عصبی در پیش‌بینی TDS گام زمانی آینده رودخانه رود زرد-ایستگاه ماشین.. 97

5-7-2-3    مقایسه نتایج پیش‌بینی مدل‌های شبکه عصبی و نروفازی.. 98

5-7-2 نتایج شبیه‌سازی پارامتر کیفی  TDSرودخانه رود زرد. 98

5-7-3-1     نروفازی در شبیه‌سازی TDS  رودخانه رود زرد-ایستگاه ماشین.. 98

5-7-3-2    شبکه‌های عصبی در شبیه‌سازی TDS گام زمانی آینده رودخانه رود زرد-ایستگاه ماشین.. 99

5-7-3-3    مقایسه نتایج شبیه‌سازی مدل‌های شبکه عصبی و نروفازی رودخانه رود زرد. 99

فصل ششم: نتایج و پیشنهادات.. 101

6-1          کلیات   101

6-2          مزایای پارامترهای کیفی مدلسازی شده 102

6-3          بهبود نتایج در تحقیقات آتی.. 104

منابع و مراجع: 106

الف: منابع فارسی. 106

ب: منابع لاتین  107

پیوست الف : Genfis1  110

پیوست ب   : Genfis2  110

پیوست ت   : Genfis3  111

منبع:

الف: منابع فارسی

1.         بختیاری، م.، کاشفی‌پور، م.، عزیری مبصر، ج.، «استفاده از شبکه‌های عصبی در ارزیابی کیفی رودخانه کرخه». ششمین کنفرانس هیدرولیک ایران، 1386.

2.         تکلیفی، آ.، «استفاده از روش شبکه عصبی مصنوعی در پیش‌بینی مقادیر TDS بر رودخانه تلخه رود». پایان نامه کارشناسی ارشد مهندسی عمران گرایش محیط زیست، دانشگاه تربیت معلم تهران. دی ماه، 1387.

3.         خلقی، م.؛ اشرف‌زاده، افشین. و مالمیر، م.، «پیش‌بینی کم آبی ماهانه با استفاده از یک مدل استوکستیک و سیستم استنتاج فازی مبتنی بر شبکه‌ی تطبیقی». تحقیقات منابع آب ایران، سال پنجم، شماره 2، پاییز، 1388.

4.         دستورانی، م. ت.؛ شریفی دارانی، ح.؛ طالبی، ع. و مقدم نیا، ع.، «کارایی شبکه های عصبی مصنوعی و سیستم استنتاج عصبی- فازی تطبیقی در مدل سازی بارش-رواناب در حوضه آبخیز سد زاینده رود». آب و فاضلاب، شماره 4، 1390.

5.         رجایی، ط.؛ میرباقری، ا. و بوداقپور، س.، «مدل PH رودخانه‌ها با استفاده از شبکه‌های عصبی مصنوعی». اولین کنفرانس ملی مهندسی و مدیریت زیر ساخت‌ها، دانشگاه تهران، تهران، 1388.

6.         زارع زاده مهریزی، م.؛ بزرگ حداد، ا.، «شبیه‌سازی و پیش‌بینی آبدهی با استفاده از الگوریتم ترکیبی ANN-GA». نشریه آب و خاک، جلد 24، شماره 5، ص 942-954، 1389.

7.         سازمان مدیریت منابع آب استان کرمانشاه، «گزارش و دستور کار آزمایشگاه»، 1390.

8.         صفوی، ح. ر.، «پیش‌بینی کیفی رودخانه‌ها با استفاده از سیستم استنتاج فازی- عصبی تطبیقی». محیط شناسی، دوره: ۳۶، شماره: ۱، 1389.

9.         عراقی‌نژاد، ش.؛ کارآموز، م.، «پیش‌بینی بلند مدت رواناب با استفاده از شبکه‌های عصبی مصنوعی و سیستم استنتاج فازی». تحقیقات منابع آب ایران، سال یکم، شماره 2، تابستان، 1384.

10.     علیزاده، ا.، «اصول هیدرولوژی کاربردی». انتشارات آستان قدس رضوی، چاپ نوزدهم، مشهد، ص 18 و 763 و 766، 1385.

11.     غضنفری، م.؛ علیزاده، س.و تیمورپور، ب.، «داده‌کاوی و کشف دانش». مرکز انتشارات دانشگاه علم و صنعت ایران، چاپ اول، 1387.

12.     فرخ‌نیا، ا.؛ مرید، س.، «تحلیل عدم قطعیت مدل‌های شبکه عصبی و نروفازی در پیش‌بینی جریان رودخانه». سال پنجم، شماره 3، زمستان، 1388.

13.     فلاح قالهری، غ. ع.؛ موسوی بایگی، س. م. و نوخندان، م. ح.، «مقایسه نتایج بدست آمده از کاربرد سیستم استنباط فازی ممدانی و شبکه‌های عصبی مصنوعی در پیش‌بینی بارش فصلی، مطالعه موردی: منطقه خراسان». سال پنجم، شماره 2، پاییز، 1388.

14.     کارآموز، م.؛ عراقی‌نژاد، ش.، «هیدرولوژی پیشرفته». انتشارات دانشگاه صنعتی امیرکبیر، چاپ دوم، تهران، ص 18 و 314 و 320-340، 1389.

15.     کرمی، م.، کاشفی‌پور، م.، معاضد، ه.، فروغی، ح.، «پیش‌بینی کیفیت آب رودخانه کارون با استفاده از شبکه‌های عصبی مصنوعی». هفتمین سمینار بین‌المللی مهندسی رودخانه‌ها، 1385.

16.     کریمی کردستانی، ج.، «بررسی ضرورت اندازه‌گیری مستمر غلظت نیترات در آزمایشگاه‌های مطالعات منابع آب کشور». شرکت سهامی آب منطقه‌ای کردستان کمیته تحقیقات، سازمان مجری: معاونت پژوهشی دانشگاه کردستان، کدپروژه: KRE- 86003، 1388.  

17.     کنعانی، ش.، «تخمین مقادیر شوری حوضه آبریز رودخانه‌ها به روش شبکه عصبی مصنوعی مطالعه موردی: حوضه‌ی آبریز رودخانه آجی‌چای». پایان نامه کارشناسی ارشد مهندسی عمران، دانشگاه تربیت معلم تهران، کرج، تیرماه، 1386.

18.     کیا، س. م.، «محاسبات نرم در MATLAB ». انتشارات کیان رایانه سبز، چاپ اول، تهران، 1389.

19.     محجوبی، ع.، «کاربرد ابزارهای داده کاوی در پیش‌بینی تغییرات شوری و تخمین میزان تبخیر». پایان نامه کارشناسی ارشد گرایش مهندسی محیط زیست، دانشکده مهندسی عمران دانشگاه صنعتی شریف، آبان ماه، 1389.

20.     محجوبی، ع.؛ تجریشی، م.، «مقایسه عملکرد الگوریتم های شبکه عصبی مصنوعی و درختان تصمیم گیری در پیش بینی تغییرات شوری آب رودخانه‌ها - مطالعه موردی: رودخانه کارون». چهارمین همایش و نمایشگاه تخصصی مهندسی محیط زیست، تهران-آبان ماه، 1389.

21.     منهاج، م. ب.، «مبانی شبکه‌های عصبی (هوش محاسباتی)». انتشارات دانشگاه صنعتی امیرکبیر، چاپ هفتم، جلد اول، تهران، ص 30-37، 1389.

22.     میثاقی، ف.، محمدی، ک.، «پیش‌بینی تغییرات کیفیت آب رودخانه زاینده رودبا استفاده از شبکه‌های عصبی مصنوعی». دومین کنفرانس ملی دانشجویی منابع آب و خاک، 1383.

23.     نوشادی، م. و همکاران.، «شبیه‌سازی و پیش‌بینی کلسیم، منیزیم، سدیم، پتاسیم، سولفات در رودخانه زاینده رود با استفاده از شبکه‌های عصبی مصنوعی». چهارمین همایش ملی علوم و مهندسی آبخیزداری ایران مدیریت حوزه‌های آبخیز، دانشکده منابع طبیعی دانشگاه تهران، کرج، 1386.

ب: منابع لاتین

24.  Asadollahfardi, G., A. Taklify & A. Ghanbari. “Application of artificial neural network to predict TDS in Talkheh Rud River”. Journal of Irrigation and Drainage Engineering. ASCE,Vol.138, No.4,363-370, (2012).

25.  ASCE Task Committee on Application of Artificial Neural Networks in Hydrology. “Artificial Neural Networks in Hydrology: Preliminary Concepts”, Part I, J. Hydrologic Engrg., ASCE, 5 (2) : 115-123, (2000a).

26.  ASCE Task Committee on Application of Artificial Neural Networks in Hydrology. “Artificial Neural Networks in Hydrology: Preliminary Concepts”, Part II, J. Hydrologic Engrg., ASCE, 5 (2) : 124-137, (2000b).

27.  Bezdec, J.C., “Pattern Recognition with Fuzzy Objective Function Algorithms”, Plenum Press, New York, (1981).

28.  Bowden, G. J., Dandy, G. C. and Maier, H. R., “Input determination for neural network models in water resources applications. Part 1—background and methodology”, Journal of Hydrology, 301, pp. 75-92, (2005).

29.  Chau, K.W., “A review on integration of artificial intelligence into water quality modeling”. Marine Pollution Bulletin 52, 726-733, (2006).

30.  Chen, Y.H. and Chang, F.J., “Evolutionary Artificial Neural Networks for Hydrological Systems Forecasting”. Journal of Hydrology, 367, 125-137,(2009).

31.  Chiu, S. L., “Fuzzy Model Identification Based on Cluster Estimation”, Journal of Intelligent and Fuzzy Systems, 2(3), pp. 267-278, (1994).

32.  Hornik, K., Stinchcombe, M., White, H., “Multilayer feedforward networks are universal approximators”, Neural Networks 2(5) , 359-366, (1989).

33.  Huang, W., Foo, S., “Neural network modeling of salinity variation in Apalachicola River”. water research, Elsevier, (2002).

34.  Jang, J. S. R. and Sun, C. T., “Neuro-Fuzzy Modeling and Control”, Proceedings of the IEEE, 83, pp. 378-406, (1995).

35.  Jang, J.-S. R. and C.-T. Sun., “Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence”. Prentice Hall, (1997).

36.  Jang, J.-S., May, R., “ANFIS: Adaptive-Network-based Fuzzy Inference Systems”. IEEE Transactions on Systems, Man, and Cybernetics, Vol. 23, No. 3, pp. 665-685, (1993).

37.  Kabsch, K.M., M.Kutylowska. ”use of artificial intelligence in predicting the turbidity retention coefficient during ultrafiltration of water”. Environment Protection Engineering, Vol37, No. 2, (2011).

38.  Kanani, S., G. Asadollahfardi & A. Ghanbari. “Application of Artificial Neural Network to Predict Total Dissolved Solid in Achechay River Basin”. World Applied Sciences Journal 4 (5) : 646-654, (2008).

39.  Kavianpour, M. R., Rajabi, E., “Application of Neural Network for Flow Aeration downstream of Outlet Leaf Gates”. Iran-Water Resources Research, Volume 1, No. 3, Fall (2005) (IR-WRR).

40.  Kisi, O., “Evolutionary fuzzy models for river suspended sediment concentration estimation”. Hydrol. Sci. J. 372 ,PP 68–79, (2009).

41.  Kisi, O., “River suspended sediment concentration modeling using a neural differential evolution approach”. Hydrol. Sci. J. 389 ,PP 227–235, (2010).

42.  Kisi, O., Ozkan, C., Akay, B., “Modeling discharge–sediment relationship using neural networks with artificial bee colony algorithm“. Hydrol. Sci. J. 428–429,pp 94–103, (2012).

43.  Maier, H.R., Dandy, G.C., “Determinig inputs for neural network models of multivariate time series”.  Micro computers in civil engineering, pages 353-368, (2000).

44.  Maier, H.R., Dandy, G.C., “The Use of Artificial Neural Networks For The Prediction of Water Quality Parameters”. Water Resources, research, (1996).

45.  Mamdani, E.H. and S. Assilian., "An experiment in linguistic synthesis with a fuzzy logic controller". International Journal of Man-Machine Studies, Vol.7, No. 1, pp. 1-13, (1975).

46.  Membership Functions. The MathWorks, Inc. protected by U.S. International patents. see www.mathworks.com . (Copyright 1984-2011).

47.  Mitchell T. M.,”Machine Learning”. McGraw-Hill, (1997).

48.  Nash, J. E., and J. V. Sutcliffe., “River flow forecasting through conceptual models”. I, A discussion of principles, J. Hydrol.,10,282–290, (1970).

49.  Neural Network Toolbox Softwar. The MathWorks, Inc. protected by U.S. International patents. see www.mathworks.com . (Copyright 1984-2011).

50.  Overview,If-Then Rules. The MathWorks, Inc. protected by U.S. International patents. see www.mathworks.com . (Copyright 1984-2011).

51.  Rajaee, T. “Wavelet and ANN combination model for prediction of daily suspended sediment load in rivers”. Sci Total Environ; 409: 2917–2928, (2011).

52.  Rajaee, T., Mirbagheri, S. A., Nourani, V., Alikhani, A., “Prediction of daily suspended sediment load using wavelet and neurofuzzy combined model”. Int. J. Environ. Sci. Tech., 7(1) , 93-110, (2010).

53.  Rajaee, T., Mirbagheri, S.A., Kermani, M.Z., Nourani, V., “Daily suspended sediment concentration simulation using ANN and nero-fuzzy models”. Sci Total environ; 407: 4916- 4927, (2009).

54.  Sarani, N., J. Soltani & A. Moasheri. “Comparison of Artificial Neural Network and Multivariate Linear Regression Model to Predict Sodium adsorption ratio (SAR) (Case Study: Sistan River, Iran)”. International Conference on Chemical, Ecology and Environmental Sciences(ICEES'2012) march 17-18, Bangkok, (2012).

55.  Sugeno, M., ” Industrial applications of fuzzy control”. Elsevier Science Pub. Co., (1985).

56.  Sugeno-Type Fuzzy Inference. The MathWorks, Inc. protected by U.S. International patents. see www.mathworks.com . (Copyright 1984-2011).

57.  Vogl, T.P., J.K. Mangis, A.K. Rigler, W.T. Zink, and D.L. Alkon., “Accelerating the convergence of the backpropagation method”, Biological Cybernetics, Vol. 59, pp. 257–263, (1988).

58.  Yager, R. and Filev, D., “Generation of fuzzy rules by mountain clustering.” Journal of Intelligent and Fuzzy Systems, 2(3), pp. 209-219, (1994).

59.  Yonaba, H., F.Anctil, & V. Fortin. “Comparing Sigmoid Transfer Functions for Neural Network Multistep Ahead Streamflow Forecasting”, Journal of Hydrologic Engineering ©ASCE, 275, (2010).

60.  Zadeh, L.A., "Outline of a new approach to the analysis of complex systems and decision processes," IEEE Transactions on Systems, Man, and Cybernetics, Vol. 3, No. 1, pp. 28-44, Jan. (1973).

61.  Zare, A.H., Bayat, V.M., and Daneshkare, A.P., “Forecasting nitrate concentration in groundwater using artificial neural network and linear regression models”. Int. Agrophys. 25, 187-192, (2011).

62.  Zealand, C. M., Burn, D. H. and Simonovic, S. P., “Short term streamflow forecasting using artificial neural network”, Journal of Hydrology, 214, pp. 32-48, (1999).

63.  Fuzzy Logic Toolbox Softwar. The MathWorks, Inc. protected by U.S. International patents. see www.mathworks.com . (Copyright 1984-2011).