دانشگاه قم
دانشکده فنی و مهندسی
پایان نامه کارشناسی ارشد رشته مهندسی عمران – سازههای هیدرولیکی
عنوان:
ارزیابی عملکرد مدلهای هوشمند نروفازی و شبکههای عصبی مصنوعی در پیشبینی و شبیهسازی پارامتر کیفیTDS رودخانهها (مطالعه موردی: رودخانه آب شیرین)
استاد راهنما:
دکتر طاهر رجایی
استاد مشاور:
دکتر محمدرضا کاویانپور
نگارنده:
تابستان 1391
(در فایل دانلودی نام نویسنده موجود است)
تکه هایی از متن پایان نامه به عنوان نمونه :
چکیده:
رودخانهها از مهمترین و متداولترین منابع تأمین آب آشامیدنی، کشاورزی و صنعتی به شمار میآیند. این منابع به علت عبور از بسترهای مختلف و ارتباط مستقیم با محیط پیرامون خود نوسانات کیفی زیادی دارند. از اینرو پیشبینی کیفیت جریان رودخانهها که پدیدهای غیر قطعی، تصادفی و تأثیرپذیر از برخی عوامل طبیعی و غیر طبیعی میباشد، نقش مهمی در مدیریت کیفی منابع آب ایفا می کند. با توجه به نواقص موجود در دادههای آماری میتوان از نتایج مدلهای شبیهسازی به منظور کشف نواقص، اصلاح یا تکمیل دادهها استفاده نمود. در راستای بررسی وضعیت کیفی یک منبع آبی، شاخصهایی برای کنترل کیفیت منابع آب در نظر گرفته میشود. جهت تحقق این امر، غلظت مواد جامد محلول (TDS) و هدایت الکتریکی (EC) ایستگاه هیدرومتری گراب واقع در رودخانه آب شیرین، برای پیشبینی و شبیهسازی تغییرات شوری مورد ارزیابی قرار گرفته است. در مدلهای پیشبینی، با حفظ پیوستگی زمانی از ورودیهای تأخیری ماهانه کل جامدات محلول برای تخمین شوری استفاده شده است و در مدلهای شبیهسازی به دلیل عدم لزوم حفظ پیوستگی زمانی و کاهش خطای مدلسازیها، ترکیب تصادفی مجموع آنیونها و کاتیونها به عنوان ورودی مدل مورد استفاده قرار گرفته است. در این مطالعه الگوریتمهای هوشمند شبکههای عصبی مصنوعی و فازی-عصبی، برای مدلسازی سریهای زمانی که شرایطی از قبیل ایستایی را برای بهکارگیری تکنیکهای کلاسیک ندارند، مورد استفاده قرار گرفتهاند. نتایج، حاکی از عملکرد تقریبا مشابه دو روش فوق با دقت قابل قبولی در مدلسازی پارامترهای کیفی حوضه مطالعاتی میباشد. در پایان با توجه به نتایج بدست آمده، مدل نروفازی در مقایسه با شبکه عصبی دارای عدم قطعیت کمتری در مقادیر خروجی میباشد؛ به طوری که در عرض محدودهی اطمینان اکثر مدلسازیها، عملکرد بهتری از خود نشان میدهد.
واژههای کلیدی: پارامترهای کیفی، پیشبینی، رودخانه آب شیرین، شبکههای عصبی مصنوعی، شبیهسازی، عصبی-فازی.
فهرست مطالب
عنوان صفحه
1-2-1 مدلسازی برای پیشبینی. 10
1-2-1-1 تعیین پیش بینی کننده مناسب. 10
1-3-1 بررسی فرایندهای غیر قطعی. 13
1-3-2 مدلهای پیشبینی مفهومی. 13
1-4-1 کل مواد جامد محلول (TDS) 14
1-5-2 چهارچوب کلی پایان نامه. 16
فصل دوم: مروری بر تحقیقات و مطالعات انجام شده.. 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
3-1-1 تاریخچه شبکههای عصبی. 32
3-1-2 دلایل استفاده از شبکههای عصبی مصنوعی. 33
3-1-2-2 پراکندگی اطلاعات «پردازش اطلاعات به صورت متن» 34
3-2-1 خواص توابع سیگموئیدی. 35
3-2-2 تابع تانژانت هیپربولیک tansig. 35
3-3-1 نورون با یک بردار به عنوان ورودی. 37
3-4-2 شبکههای Feedforward. 40
3-4-3-1 الگوریتم پس انتشار. 41
3-4-3-2 الگوریتم Levenberg- Marquardt 41
3-4-3-4 محدودیتهای شبکههای پس انتشار. 42
فصل چهارم:منطق فازی و مدل ترکیبی عصبی-فازی (ANFIS) 43
4-2-2 دلایل استفاده از منطق فازی. 46
4-3-2 توابع عضویت در منطق فازی. 49
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
4-5-2 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 بهره گرفتن از مجموعه دادههای آزمایشی و دادههای وارسی 58
4-5-7 ساختار و نحوهی ایجاد مدل نروفازی. 59
فصل پنجم: تدوین مدلهای هوشمند شبیهسازی و پیشبینی پارامترهای کیفی.. 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
5-2-1 انتخاب ورودی مدلها برای شبیهسازی پارامترهای کیفی 69
5-2-2 انتخاب ورودی مدلها برای پیشبینی پارامترهای کیفی 70
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
5-4-1 ریشه میانگین مربعات خطا. 78
5-4-2 میانگین درصد خطای مطلق. 78
5-5 نتایج پیشبینی پارامترهای کیفی رودخانه آبشیرین-ایستگاه گرآب 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 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
6-2 مزایای پارامترهای کیفی مدلسازی شده.. 102
6-3 بهبود نتایج در تحقیقات آتی.. 104
فهرست اشکال
عنوان ………………….. صفحه
شکل 3-1. تطابق و هم سنجی بین ورودی و هدف در شبکههای عصبی 31
شکل 3-2. تغییر خطای دسته آموزشی و آزمایشی به ازای تعداد تکرار آموزش 33
شکل 3-3. تغییر در قدرت حفظ و تعمیم بر اساس ورودی و خروجی 34
شکل 3-4. الف)تابع تانژانت سیگموئید ب) مشتق تابع تانژانت سیگموئید 36
شکل 3-5. نمودار تابع انتقال تانژانت سیگموئید به ازای n های مختلف 36
شکل 3-6. الف) نورون با یک بردار به عنوان ورودی ب) نمایش ساده لایه نورونها 37
شکل 3-7. شبکهای یک لایه با R ورودی و S نورون. 38
شکل 3-8. شبکه دو لایه tansig / purelin. 40
شکل 4-1. مکانیسم مربوط به ورودی و خروجی در حل مسئله 46
شکل 4-2. یک توصیف عمومی از سیستم استنتاج فازی.. 47
شکل 4-3. الف: درک انسانها از فصول ب: تعریف نجومی فصول 48
شکل 4-4. دو تابع عضویت الف: تابع عضویت ذوزنقهای ب: تابع عضویت مثلثی 49
شکل 4-6. جداول درستی استاندارد AND، OR، Not برای استفاده در منطق فازی.. 50
شکل 4-7. جداول درستی استانداردAND, OR, NOT دو مقداری و چند مقداری.. 51
شکل 5-1. سری زمانی مشاهداتی ماهانه EC ایستگاه گراب 16/11/61-15/6/84.. 66
شکل 5-2. سری زمانی مشاهداتی ماهانه TDS ایستگاه گراب 61-81 66
شکل 5-3. ضریب همبستگی و رابطه EC و TDS در ایستگاه گراب رودخانه آب شیرین.. 67
شکل 5-4. حوزه آب ریز زهره، رودخانه فهلیان، رودخانه آب شیرین، ایستگاه گراب.. 67
شکل 5-5. تحلیل جرم مضاعف برای بررسی سازگاری دادهها 69
شکل 5-7. طرحی از ساختار یک شبکه عصبی سه لایه با یک لایه پنهان 73
شکل 5-8. نمودار دو تابع انتقال مهم و پرکاربرد تابع واکنش سیگموئیدی 74
شکل 5-9. شبکه سه لایه tansig / purelin مورد استفاده در مدلسازی 76
شکل 5-10. فلوچارت شبیهسازی و پیشبینی تغییرات شوری با بهره گرفتن از ANN 77
شکل 5-11. خطای RMSE برای دادههای آموزشی، اعتبارسنجی و آزمایشی.. 81
شکل 5-12. پیشبینی EC در گام زمانی یک ماه آینده توسط genfis2 82
شکل 5-13. RMSE پیشبینی EC به ازای تعداد کلاستر و تابع عضویت ورودی مختلف.. 83
شکل 5-15. خطای اموزشی و اعتبارسنجی ANFIS تولید شده برای تکرارهای مختلف.. 84
شکل 5-16. خطای آموزشی، اعتبارسنجی و آزمایشی پیشبینیEC باتعداد نرونهای مختلف 86
شکل 5-17. مقادیر مشاهداتی و پیشبینی شده EC یک ماه آینده توسطANN.. 86
شکل 5-18. نحوه کاهش خطا و فرایند تعداد تکرارهای آموزشی و آزمایشی تا توقف آموزش 87
شکل 5-19. خطای rmse شبکههای پس انتشار با الگوریتمهای آموزشی مختلف.. 88
شکل 5-20. شبیهسازی دادههای آزمایشی TDS ایستگاه گراب توسط genfis1. 89
شکل 5-22. شبیهسازی دادههای آزمایشی TDS ایستگاه گراب توسط genfis3. 91
شکل 5-23. شبیهسازی دادههای آزمایشی TDS ایستگاه گراب توسط ANN .. 92
شکل 5-24. میانگین خطای آموزشی، اعتبارسنجی و آزمایش شبیهسازی باتعداد نرون مختلف 93
شکل 5-25. فرایند کاهش خطا در تعداد تکرارهای آموزشی و آزمایشی تا توقف آموزش 93
شکل 5-26. سری زمانی مشاهداتی TDS ماهانه رودخانه رود زرد- ماشین (1369-1386).. 96
شکل 5-27. مقادیر مشاهداتی و پیشبینی شده TDS یک ماه آینده توسطANFIS.. 96
شکل 5-28. مقادیر مشاهداتی و پیشبینی شده TDS یک ماه آینده توسطANN.. 97
شکل 5-29. شبیهسازی دادههای آزمایشی TDS رودخانه رود زرد توسط genfis3. 98
شکل 5-30. شبیهسازی دادههای آزمایشی TDS رودخانه رود زرد توسط ANN .. 99
فهرست جداول
عنوان صفحه
جدول 5-1. مشخصات آماری پارامترهای کیفی ایستگاه گراب.. 69
جدول 5-2. تأخیرهای زمانی ورودی مدلهای پیشبینی 71
جدول 5-3. مشخصات آماری گامهای زمانی مختلف پارامتر EC 71
جدول 5-7. خطای پیشبینی هدایت الکتریکی در سعیهای مکرر توسط شبکه عصبی 88
جدول 5-8. مقایسه نتایج روشهای مختلف ANFIS در شبیهسازی TDS گراب. 91
جدول 5-9. مقایسه نتایج روش ANN و ANFIS در شبیهسازی TDS گراب. 94
جدول 5-10. مقایسه نتایج روش ANN و ANFIS در پیشبینی TDS رودخانه رود زرد. 98
جدول 5-11. مقایسه نتایج روش ANN و ANFIS در شبیهسازی TDS رودخانه رود زرد. 99
1-1 مقدمه
یکی از مهمترین عوامل توسعه هر منطقه در دسترس بودن منابع آب با کیفیت است. شناخت وضعیت آلودگی رودخانهها سبب گردیده است، برنامهریزیهای مدیریتی به منظور کنترل کیفیت آب رودخانهها در آینده از اهمیت بیشتری برخوردار گردد. پیشبینی کیفیت جریان رودخانهها در بازههای زمانی آینده، با وجود تاثیرپذیری از برخی عوامل طبیعی و غیر طبیعی، نقش مهمی در مدیریت کیفیت منابع آب ایفا می کند.
با پیشبینی نمودن کیفیت جریان رودخانهها علاوه بر مدیریت بهرهبرداری منابع آب به منظور تأمین نیاز، و اجازهی برداشتهای کشاورزی و صنعتی بیشتر در بازههای زمانی که رودخانه از آلودگی بیشتری برخوردار است میتوان با بهره گرفتن از مسیرهای انحرافی از ورود جریانهای با بار آلودگی بالا که تأثیر نامطلوبی بر کیفیت آب مخازن دارد جلوگیری به عمل آورد. همچنین به دلیل وجود نقص دادههای آماری در دادههای کمی و کیفی ایستگاههای هیدرومتری میتوان از نتایج مدل شبیهسازی پارامترهای کیفی به منظور صحت، کشف نواقص، اصلاح یا تکمیل دادهها استفاده نمود. مدلهای تجربی که بدون توجه به پارامترهای مورد استفاده، سعی در ایجاد رابطهای بین دادههای ورودی و خروجی دارند به مدلهای هوشمند مشهور هستند. در واقع منطق فازی، محاسبات عصبی و الگوریتمهای ژنتیک شالودههای علم محاسبات نرم را تشکیل میدهند. بر خلاف محاسبات سخت[1]، محاسبات نرم[2] با عدم قطعیت موجود در دنیای واقعی سازگار میباشد. میتوان اصول پایه در محاسبات نرم را در قالب یک جمله و به صورت زیر بیان نمود:
«بهره برداری از تلورانس نادرستی، عدم قطعیت و حقیقت جزئی[3] در راستای رسیدن به یک راه حل انعطاف پذیر، محکم و کم هزینه»[63]
در پیشبینی پارامترهای کیفی میتوان از تاخیرهای زمانی همان پارامتر، به دلیل فراوانی و دسترسی بیشتر نسبت به سایر پارامترها از جمله دبی، دما، رنگ و … به عنوان ورودیهای مدل استفاده کرد. در واقع یکی از روشهای پیشبینی فرایندهای طبیعی و غیر طبیعی از جمله آلودگی، استفاده از سریهای زمانی تاخیری همان پارامتر به عنوان پیشبینی کننده میباشد. 1- هدف اصلی در این تحقیق استفاده از مدلهای هوشمند شبکه عصبی و فازی-عصبی در تخمین شوری یک گام زمانی آینده با بررسی تاثیر سری های زمانی تاخیری ماهانه، در منطقه مورد مطالعه میباشد.
2- در ادامه مسئله شبیهسازی TDS با بهره گرفتن از غلظت یونهای مختلف موجود در آب، PH و دبی به عنوان ورودی مدلها مورد بررسی و تحلیل قرار گرفته است. تغییرات TDS با دیگر پارامترهای کیفی در رودخانههای مختلف محاسبه شده که در بین این پارامترها مجموع آنیون و مجموع کاتیون به عنوان ورودیهای مدل شبیهسازی انتخاب شده است و نتایج مربوط به هر کدام از مدلها مورد بحث و بررسی قرار گرفته است.
1-2 پیش بینی هیدرولوژیکی
پیشبینی[4] در هیدرولوژی به معنی تخمین شرایط هیدرولوژیکی و هواشناسی در یک بازه زمانی خاص میباشد. پیشبینیهای هیدرولوژیکی را میتوان به دو دسته کوتاه مدت و بلند مدت تقسیم نمود. پیشبینیهای کوتاه مدت اغلب دارای افق زمانی در حد چند روز میباشند و به منظور هشدار و بهرهبرداری زمان واقعی سیستمهای منابع آب به کار میروند. در مقابل پیشبینیهای بلند مدت، دارای افق زمانی بیش از یک هفته تا یک سال میباشند و برای مدیریت منابع آب مانند تخصیص آب برای آبیاری و کاهش اثرات خشکسالی از طریق مدیریت منابع آب به کار میروند.
پیشبینی کوتاه مدت معمولاً از دقت بیشتری برخوردار بوده و آسانتر به دست میآید. روابط ریاضی و فیزیکی برای این پیشبینیها بیشتر مورد توجه قرار گرفته و قابلیت شبیهسازی بهتری دارند. در مقابل پیشبینیهای بلند مدت به علل مختلف دارای خطای بیشتری بوده و از پیچیدگیهای بیشتری در مدلسازی و شبیهسازی برخوردارند. به همین اندازه اهمیت آن ها برای یک سیستم مدیریت منابع آب بسیار زیاد میباشد به طوری که افزایش میزان اندکی از دقت در این پیشبینیها فواید زیادی را عاید سیستم بهره برداری خواهد نمود. نخستین و بدیهیترین فایده حاصل از پیشبینیها با افقهای زمانی بلند مدت، پویاتر شدن تصمیم گیریهای مبتنی بر ذخیره و آزاد سازی آب میباشد [14].
از این رو پیشبینیهای ماهانه و فصلی مربوط به پارامترهای کیفی رودخانهها و تغییرات شوری جزء پیشبینیهای بلند مدت محسوب میشود و نتایج حاصل از این پیشبینیها در مدیریت کیفیت منابع آب اهمیت بسزایی دارد.
1-2-1 مدلسازی برای پیشبینی
فرایند مدلسازی برای پیش بینی شامل مراحل زیر است:
- تعیین پیشبینی کننده مناسب
- تعیین مدل پیشبینی مناسب
- کالبیراسیون مدل
- صحتسنجی مدل
1-2-1-1 تعیین پیش بینی کننده مناسب
اولین گام در مدلسازی برای پیشبینی، استفاده از پیشبینی کننده مناسب میباشد. استفاده از پیشبینی کنندههای مناسب بستگی به شرایط فیزیکی حاکم بر منطقه و حوزۀ مورد مطالعه دارد.
متغیرهای شاخصی که برای پیشبینی کیفیت جریان به کار میروند شامل:
دبی جریان در بازههای زمانی گذشته، هدایت الکتریکی EC و کل جامدات محلول TDS میباشد و همچنین بقیه پارامترهای کیفی اندازهگیری شده جریان را در برمیگیرد.
شکل کلی معادلاتی که بر اساس این متغیرها به دست میآیند به صورت زیر است:
Q = f (X1 , X2 , X3 , … , Xn )
که در آن Xi، iامین متغیر شاخص از بین n متغیر است و Q نیز کیفیت جریان یا پارامتر شوری جریان در دوره زمانی دلخواه پیشبینی است.
1-2-1-2 تعیین مدل مناسب
مدلهای مختلف آماری و مفهومی برای پیشبینی و مدلسازی متغیرهای هیدرولوژیکی مورد استفاده قرار میگیرند
[1] Hard Computing
[2] Soft Computing
[3] Partial Truth
[4] Forecasting
(ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است)
تعداد صفحه : 119
قیمت :14700 تومان
بلافاصله پس از پرداخت لینک دانلود فایل در اختیار شما قرار می گیرد
و در ضمن فایل خریداری شده به ایمیل شما ارسال می شود.
پشتیبانی سایت : serderehi@gmail.com
در صورتی که مشکلی با پرداخت آنلاین دارید می توانید مبلغ مورد نظر برای هر فایل را کارت به کارت کرده و فایل درخواستی و اطلاعات واریز را به ایمیل ما ارسال کنید تا فایل را از طریق ایمیل دریافت کنید.
14,700 تومانافزودن به سبد خرید