پایان نامه بررسی کاربرد روش شبکه عصبی مصنوعی در برآورد رواناب سالانه حوزه‌ های آبخیز (مطالعه موردی حوزه آبخیز کل، استان فارس)

پایان نامه برای دریافت درجه کارشناسی ارشد(M.Sc.)

بررسی کاربرد روش شبکه عصبی مصنوعی در برآورد رواناب سالانه حوزه‌های آبخیز

(مطالعه موردی: حوزه آبخیز کل، استان فارس)

به وسیله: جلال زارعی

چکیده:

اهمیت و جایگاه آب در زندگی بشر به ویژه در دنیای پیشرفته و پر جمعیت کنونی بر کسی پوشیده نیست و زندگی صنعتی و شهری مصرف سرانه آب را نسبت به شرایط زندگی سنتی چندین برابر نموده است. امروزه این منبع طبیعی به عنوان یکی از تعیین کننده ترین پارامترهای برنامه ریزی های اجتماعی و حتی سیاسی مطرح است، تا آنجا که نزاع آینده کشور های مختلف را حول حقوق آبی هر کشور پیش بینی می کنند و این امر در کشورهایی که از منابع آبی مشترک بهره می برند بیشتر به چشم می آید.  در این راستا، هدف از انجام این تحقیق تعیین کارایی روش شبکه عصبی مصنوعی در برآورد رواناب در 3 ایستگاه بند بهمن، چمریز و درب قلعه، واقع در استان فارس می باشد. روش گردآوری اطلاعات در این تحقیق به صورت میدانی و کتابخانه ای می باشد. برآورد میزان رواناب رودخانه های قره آغاج ، کر و رود بال، که مربوط به هر 3 ایستگاه مذکور می باشند، توسط داده های اندازه گیری چون میزان بارش، دما و تبخیر انجام گرفت که نتایج حاصله از این قرار بودند که، با به کارگیری روش شبکه عصبی مصنوعی از نوع پرسپترون چند لایه و تابع تحریک از نوع گوسین- گوسین ، با 3 نرون در لایه ورودی،2 نرون در لایه پنهانی و 1 نرون در لایه خروجی ، در اینجا، قانون یادگیری پس انتشار خطا با 50000 تکرار توانست روال آموزش را به نحو مطلوب طی کند و خطای متوسط شبکه را به حد قابل قبولی رساند و فرضیه H1  در خصوص ایستگاه های نامبرده را به اثبات رساند.

کلمات کلیدی: بارش، دمای هوا، رواناب، ایستگاه بند بهمن، مدل شبکه عصبی

فصل اول

مقدمه و کلیات

بین بارش رواناب برای یک منطقه آبی یکی از مهمترین مسائل مربوط به هیدرولوژیست ها و مهندسین است اطلاعات دراین زمینه برای اهداف طراحی ومدیریتی مهندسان لازم است. این رابطه، رابطه ای غیر خطی و پیچیده است .موارد استفاده این پیش بینی هارامی توان به مدیریت  صحیح طرح‌های کشاورزی، سیستم های هشداردهنده سیل و بهره برداری از مخازن سدها نسبت داد. بارش-  رواناب یکی از پیچیده ترین فرآیندهای هیدرولوژیکی است. برای سالیان زیاد، هیدرولوژیست ها در شناخت چگونگی تبدیل بارش به رواناب برای پیش بینی سیلاب بوده اند. از اهداف این شناخت میتوان به ذخیره آب، کنترل سیلاب، آبیاری، زهکشی، کیفیت آب، تولید انرژی، مراکز تفریحی  پرورش ماهی و گسترش حیات وحش و... اشاره کرد. تعداد پارامترها، عدم پایداری مشخصه های حوضه های آبریز و مدلهای بارش بیش از پیش مسئله را پیچیده می کند. استفاده از مدل هاى آمارى، هیدرولیکى و هیدرولوژیکى سابقه طولانى در بحث مدل سازی بارش- رواناب داشته است. با توجه به مشکلات و نقاط ضعفی که در مدل های مفهومی و آماری وجود دارد، نیاز به مدلی که با پارامترهای ورودی و خروجی بتواند عملیات نگاشت را انجام دهد، ضروری به نظر میرسد. طى دهۀ اخیر مدل ریاضى غیرخطی شبکه هاى عصبى مصنوعی[1]( (ANN به ابزارهاى پیشبینى افزوده شده و تحقیقات متنوعی در زمینۀ مدل سازی بارش - رواناب با استفاده از این ابزار صورت گرفته است. شبکه های عصبی مصنوعی ابزار قدرتمندی هستند که با تقلید ساده از سیستم عصبی بیولوژیک انسان ساخته شده است. شبکه های عصبی به دو نوع شبکه عصبی مصنوعی و طبیعی تقسیم می شوند .تحقیقات در زمینه شبکه های عصبی زمانی شروع شد که مغز به عنوان یک سیستم دینامیکی با ساختار موازی و پردازشگری کاملآ مغایر با پردازشگرهای متداول شناخته شد. نگرش نوین به مغز انسان که منتهی به بیان شبکه عصبی مصنوعی شد در اوایل قرن بیستم و توسط شخصی به نام سگال مطرح گردید. همچنین نرون به عنوان کوچکترین واحد پردازشگر داده‌ها در یک شبکه عصبی مصنوعی، اساس عملکرد و رفتار آن را تشکیل می‌دهد. از ترکیب چند نرون سلول ساخته می‌شود که بسته به نوع سلول وظیفه خاصی را در شبکه عهده‌دار است.

چگونگی اتصال سلول‌های عصبی در لایه‌های مختلف، مشخص کننده ساختار شبکه است که معماری شبکه نام دارد.

 شبکه عصبی از چندین لایه تشکیل شده است. لایه ها وظیفه دریافت داده ها، پردازش و تولید کمیت خروجی را به عهده دارند.                                                                                                                                                                                                                                                                    

● لایه ورودی: این لایه فاقد نرون بوده و لایه ایست که متغیرهای ورودی را به نرونهای لایه مخفی بدون هیچ تغییری انتقال می دهد. عمومآّْْْ تعداد نرونها در این لایه ها تابعی از تعداد متغیر های ورودی به شبکه عصبی می باشد.                   

● لا یه خروجی: این لایه دارای یک یا چند نرون بوده و تعداد نرونها تابعی از تعداد تابع خروجی می‌باشد.

لایه‌های شبکه توسط پیوست هایی با وزن‌های متفاوت به هم متصل هستند.که عموما شبکه عصبی چند لایه پرسپترن[2]((MLP نامیده می شود و ارتباط بین نرون ها و تنظیم وزنهادر آن از قانون های یاد گیری پیروی می کند

1-2- اهمیت و ضرورت انجام تحقیق:

 برآورد  میزان رواناب در  حوزه های آبخیز مبنای طراحی ابعاد دهانه­های پل ها و تاسیسات آبی دیگر بوده و یکی از موثر­ترین راه های کاهش خسارت سیل می­باشد. این موضوع از دیرباز مورد توجه متخصصان مهندسی آب و رودخانه بوده است. تعیین مقدار رواناب از این نظر اهمیت دارد که در پاره ای از کشورهای جهان از جمله کشور خودمان، به علت عدم اطلاع  از وضعیت رودخانه ها و نداشتن داده های مربوط به مقدار دبی، ارقام یا کمیت هایی که نمایانگر مقدار آبدهی ماهیانه یا سالیانه یک رودخانه باشد در دست نیست و چون اهمیت هر طرح و پروژه ای که به طور مستقیم یا غیر مستقیم به میزان آب آن حوزه بستگی دارد، متناسب با  مقدار رواناب حوزه آبخیز است، لذا بایستی در جستجوی راه هایی بود که به نحوی تخمین  مقدار رواناب را به دست دهد. از آنجایی که بسیاری از حوزه های آبخیز کشور فاقد  ایستگاه هیدرومتری بوده  لذا جهت براورد ارتفاع رواناب ناچاربه استفاده از روشهای تجربی بوده تا بتوان از نتایج آنها در امر مدیریت حوزه های آبخیز استفاده کرد. استفاده از روشهای تجربی به منظور برآورد رواناب سطحی در حوزه های آبخیز مناطق خشک و نیمه خشک که عمدتا فاقد ایستگاه های هیدرومتری می باشند، از دیر باز در مطالعات هیدرولوژی مورد توصیه قرار گرفته است البته کارایی و مناسب این روشها در مناطق جغرافیایی مختلف، منوط به دستیابی به اطلاعات مورد نیاز و آزمونهای مربوطه می باشد. یکی از روش های نوین در بسیاری از مطالعات هیدرولوژی به خصوص در تعیین مقدار رواناب استفاده از شبکه های عصبی مصنوعی می باشد. در حال حاضر، شبکه های عصبی کاربرد بسیار وسیعی در علوم مختلف مهندسی آب از جمله هیدرولوژی و هواشناسی، هیدرولیک، هیدرودینامیک رودخانه و دریا، مهندسی رودخانه، رسوب گذاری و فرسایش، آبهایزیرزمینی، کیفیت آب و آلودگی، روندیابی سیلاب و ... دارد. 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 هر جا که نیاز به یادگیری با یک نگاشت خطی و یا غیرخطی باشد، ممتاز می نماینداین شبکه ها  تقلیدی بسیار ساده از سیستم عصبی بیولوژیکی و مغز انسان است، این تقلید بر اساس یک پیکربندی ریاضی می باشد بطوریکه متشکل از چندین لایه و همچنین چندین نرون[3](گره) در هر لایه است. آنچه که بر اهمیت موضوع می افزاید وجود روابط غیر خطی بین عوامل موثر بر پدیده های مختلف هیدرولوژی بوده و مدل شبکه عصبی مصنوعی دارای توانایی لازم برای تطابق خود با این روابط غیرخطی است. ایده استفاده از این مدل آنست که تمام اطلاعات مهم در داخل داده ها پنهان بوده و به وسیله این روش می توان به آن روابط پنهان بین داده ها پی برد. هدف از این تحقیق، تعیین کارایی شبکه عصبی مصنوعی در برآورد رواناب در برخی از حوزه های آبخیز استان فارس می باشد.

1-3- اهداف تحقیق(کلی و ویژه)

1- برآورد روآناب در حوزه های آبخیز استان فارس با استفاده از شبکه عصبی مصنوعی

بررسی دقت روش شبکه عصبی مصنوعی در برآورد رواناب در حوزه های آبخیز استان فارس

1-4- متغیر های تحقیق:

متوسط بارش سالانه،  متوسط دمای هوا،  دمای حداقل و حداکثر هوا

1-5- فرضیه ها یا پرسش های تحقیق:

آیا با استفاده از شبکه عصبی مصنوعی می توان روا ناب را با دقت قابل قبولی برآورد کرد؟

1-6- هوش‌ مصنوعی‌ و هوش‌ انسانی‌:

 برای‌ شناخت‌ هوش‌ مصنوعی‌ شایسته‌ است‌ تا تفاوت‌ آن‌ را با هوش ‌انسانی‌ به‌ خوبی‌ بدانیم‌ مطالعه شبکه های عصبی مصنوعی تا حد زیادی از سیستم های یادگیر طبیعی نشآت گرفته است که در آنها یک مجموعه پیچیده از نرونهای به هم متصل درکاریادگیری دخیل هستند.مغز انسان از تعداد  ‌1011  نرون تشکیل شده که هر نرون با تقریبا 104 نرون دیگر در ارتباط است.سرعت سوئیچنگ نرونها در حدود 3-10 ثانیه است آدمی قادر است در 1/0 ثانیه  تصویر یک انسان را بازشناسائی نماید. مغز انسان‌ از میلیاردها سلول‌ یا رشته‌ عصبی ‌درست‌ شده‌ است‌ و این‌ سلول‌ها به‌ صورت‌ پیچیده‌ای‌ به‌ یکدیگرمتصل‌اند. شبیه ‌سازی‌ مغز انسان‌ می‌تواند از طریق‌ سخت‌افزار یا نرم‌افزارانجام‌ گیرد. تحقیقات‌ اولیه‌ نشان‌ داده‌ است‌ شبیه‌سازی‌ مغز، کاری‌ مکانیکی‌ و ساده‌ می‌باشد. برای‌ مثال‌، یک‌ کرم‌ دارای‌ چند شبکه‌ عصبی‌است‌. یک‌ حشره‌ حدود یک‌ میلیون‌ رشته‌ عصبی‌ دارد و مغز انسان‌ ازهزار میلیارد رشته‌ عصبی‌ درست‌ شده‌ است‌. با تمرکز و اتصال‌ رشته‌های‌عصبی‌ مصنوعی‌ می‌توان‌ واحد هوش‌ مصنوعی‌ را درست‌ کرد.هوش‌ انسانی‌ بسیار پیچیده‌تر و گسترده‌تر از سیستم‌های‌ رایانه‌ای ‌است‌ و توانمندی های‌ برجسته‌ای‌ مانند:استدلال‌، رفتار، مقایسه‌، آفرینش‌ و بکار بستن‌ مفهوم ها را دارد.هوش‌ انسانی‌ توان‌ ایجاد ارتباط میان‌ موضوع‌ها و قیاس‌ ونمونه‌ سازیهای‌ تازه‌ را دارد. انسان‌ همواره‌ قانون‌های‌ تازه‌ای‌ می‌سازد و یا قانون‌ پیشین‌ را در موارد تازه‌ بکار می‌گیرد. توانایی‌ بشر در ایجاد مفهوم‌های‌ گوناگون‌ در دنیای‌ پیرامون‌ خود، از ویژگی‌های‌ دیگر اوست‌. مفهوم‌های‌ گسترده‌ای‌ همچون‌ روابط علت‌ و معلولی‌، زمان‌ و یا مفهوم ‌های‌ ساده ‌تری‌ مانند گزینش‌ وعده‌های‌ خوراک‌ (صبحانه‌، ناهار و شام) را انسان‌ ایجاد کرده‌ است‌. اندیشیدن‌ در این‌ مفهوم‌ها و بکاربستن‌ آنها، ویژه‌ رفتار هوشمندانه‌ انسان‌ است‌.هوش‌ مصنوعی‌ در پی‌ ساخت‌ دستگاه هایی‌ است‌ که‌ بتوانند توانمندهای‌ یاد شده‌ (استدلال‌، رفتار، مقایسه‌ و مفهوم‌ آفرینی‌) را از خودبروز دهند. آنچه‌ تاکنون‌ ساخته‌ شده‌ نتوانسته‌ است‌ خود را به‌ این‌ پایه‌برساند، هر چند سودمندی‌های‌ فراوانی‌ به‌ بار آورده‌ است‌.نکته‌ آخر اینکه‌، یکی‌ از علل‌ رویارویی‌ با مقوله‌ هوش‌ مصنوعی‌،ناشی‌ از نام‌ گذاری‌ نامناسب‌ آن‌ می‌باشد. چنانچه‌ جان‌ مک ‌کارتی‌ در سال ‌1956 میلادی‌ آن‌ را چیزی‌ مانند «برنامه‌ریزی‌ پیشرفته‌ » نامیده‌ بود شاید جنگ‌ و جدلی‌ در پیرامون‌ آن‌ رخ‌ نمی‌داد.هوش‌ مصنوعی‌ به‌ تعدادی‌ میدانهای‌ فرعی‌ تقسیم‌ شده‌ است‌ و سعی‌ دارد تا سیستم‌ها و روشهایی‌ را ایجاد کند که‌ بطور تقلیدی‌ مانند هوش‌ ومنطق‌ تصمیم ‌گیرندگان‌ عمل‌ نماید.در زیر به شبکه های عصبی می پردازیم.

Abstract

The significant position of water in human life especially in the current advanced and highly populated world is well known to anyone. Besides, per capita consumption of water has been multiplied because of the trends of the urban and industrial life than what was the case in the traditional life conditions. Today, water as one of the natural resources is seen as one of the most important determinants of parameters used in social and even political planning to the extent that it is anticipated that future disputes among different countries are caused by water rights of each country. And such disputes will be more aggravated among countries with shared water resources. In this line, the aim of the present study is to determine the effectiveness of artificial neural network (ANN) in estimating runoffs in three stations of Band Bahman, Chamriz, and Darb Qale located in Fars Province. Field and library methods were used in this study to collect the data. The runoffs for Qareaghaj, Kor, and Roodball rivers which are associated with the three stations were measured using the data such as rainfall, temperature, and evaporation. The results suggested that by the application of the artificial neural network of multilayer perceptron type and the Gaussian excitation function with 3 neurons in the input layer, 2 neurons in the hidden layer, and 1 neuron in the output layer; the back-propagation learning rule with 50000 iteration is able to pass the training process optimally and reduce the network average error to an acceptable level, thus confirming the alternative hypothesis (H1) for the three station under analysis.

Keywords: precipitation, temperature, runoff, hydrometric stations, artificial neural network (ANN)