تحقیق مقاله کاربرد شبکه‌ های عصبی مصنوعی در مهندسی رودخانه

 رسوبات انتقالی توسط رودخانه‌ها مشکلات زیادی خصوصاً جهت بهره‌برداری از سدها و سازه‌های آبی به وجود می‌آورند. در ده‌های اخیر تحقیقات بزرگی برای درک مکانیسم انتقال رسوب در جریان‌های طبیعی صورت گرفته است.

تخلیه‌ های صنعتی و پساب‌ های کشاورزی به داخل سیستم آبزیان باعث می‌شود که رسوبات کف توسط موادسمی آلوده شوند. به همین ترتیب وقتی رژیم رودخانه تغییر می‌نماید این رسوبات آلوده به پایین دست رودخانه انتقال می‌یابند. تخمین دبی این رسوبات آلوده گام اول به سوی بهبود سازی کیفیت آب می‌باشد.

طبق گزارشات، درحال حاضر، بسیاری از سدهای کشورمان، با مشکل رسوب و پرشدن پیش از موعد مخازن مواجه هستند از جمله گزارشی که در مورد رسوبگذاری در سد سفید رود منتشر شده که نشان می‌دهد که در هفدهمین سال بهره برداری، رسوبات ورودی نزدیک به نیمی از حجم مخزن را اشغال کرده‌اند. در حالی که مشاور این شد، عمر مفید آن را صد سال دانسته است.

همچنین سد شهید عباسپور که تخمین اولیه برای رسوب آن 2 میلیون مترمکعب در سال بوده، در حالی که نتایج هیدروگرافی در سال 1362 در مخزن این سد نشان می‌دهد که درطی 7 سال اول بهره برداری از این سد سالیانه بطور متوسط 38 میلیون متر مکعب وارد مخزن شده است. بدیهی است که افزایش پیش‌بینی میزان رسوب وارده به دریاچه می‌تواند از این خسارات جلوگیری به عمل آورد و تحقیق این امر بستگی زیادی به روشهای محاسباتی و وجود سنجشهای مناسب رودخانه‌ای دارد.

تا کنون معادلات زیادی برای تخمین میزان رسوب انتقالی رسوب انتقالی توسط رودخانه‌ها ارائه شده است که همه آنها بر پایه قوانین تئوری دینامیک جریان و انتقال ذرات می‌باشد. آلونسوو نیبلینگ و فوستر در سال 1982 و یانگ در 1996 از بین دیگران، روشهای متعدد قراردادی را مقایسه نمود برای محاسبه دبی کل رسوب. بعضی از روشها که روش غیرمستقیم نامیده شدند، شامل توابع انتقالی بر اساس تابع بار بستر اینشتین هستند که بار رسوب کل از مجموع توابع بار معلق و بار بستر بدست می‌آید. مانند روش اصلاح شده اینشتین توسط کلبی و همبری (1955) و توفالتی (1969). روشهای مذکور این نکته را مدنظر قرار می‌دهند که هیدرودینامیک هر حالت انتقال یکسان نیست اگر چه تمایز آشکار بین در حالت معلق و بستر نیز به آسانی ممکن نیست، کاربرد روشهای گفته شده از نظر تئوری نسبتاً کامل است اما ممکن است به نظر دشوار برسد.

روشهای دیگر که روشهای مستقیم نامیده می‌شوند، بار رسوب کل را به طور مستقیم مشخص می‌کنند، بدون اختلاف قائل شدن بین دو حالت انتقال. بعضی از این روشها از مفهوم نیروی جریان ناشی می‌شوند. (کار جریان) مانند روش بگنولد (1966) و روش انگلند و هانسن (1967) که بستگی به مفهوم نیرو و قوانین شبیه‌سازی برای بدست آوردن تابع انتقال رسوب دارد. روش آکرو وایت (1973) بر اساس مفهوم نیروی جریان، بگونولد و آنالیز ابعادی برای بیان تحرک و سرعت انتقال رسوب پایه‌ریزی شده‌اند. یانگ در سالهای 1972 و 73 یک مدل تحلیل نیرویی بکار برد و به نیروی جریان موجود در واحد وزن سیال برای انتقال رسوب تأکید کرد. ولیکانوف (1954) تابع انتقال را از تئوری نیروی ثقل استخراج کرد. روشهای دیگر از توابع انتقال دیگری پیروی می‌کنند، مثلاً چنگ و سیمونزو ریچاردسون (1967) بار کل را از مجموع بار بستر و معلق محاسبه نمودند. لارسن (1958) یک رابطه وابسته‌ای بین شرایط جریان و دبی رسوبی نتیجه توسعه داد. شن و هانگ (1972) یک معادله رگرسیون براساس داده‌های آزمایشگاهی استخراج کردند.

برانلی (1981) نیز آنالیز رگرسیون را برای بدست آوردن تابع بکار گرفت. ون راین (1984) بار کل را از مجموع بار بستر و متعلق محاسبه نمود. کریم و کندی (1990) آنالیز چند رگرسیونی غیرخطی را برای استخراج یک رابطه بین سرعت جریان، دبی رسوب و هندسه شکل بستر و ضریب اصطکاک رودخانه‌های فرسایشی بکار گرفت.

این مدل‌های دینامیکی در تعریف پارامترهای مهم مسئله موفق بودند. با این وجود برای بدست آوردن یک فرمول منفصل (شکل ثابت معادله)، بعضی پارمترهای مهم برای سهولت صرفنظر می‌شوند. ثابت‌های غیرمعلوم برای پایداری جمع می‌شدند و بعضی شرایط مرزی برای بکارگیری فرض می‌شوندو نتیجتاً این سؤال مطرح می‌شود که آیا فرمول برای انحراف رودخانه‌ها به طور موفق بکار رود؟

          اخیراً روش شبکه عصبی در شاخه‌های متعدد علمی بکار می‌رود. روش گفته شده یک ابزار قوی برای بهبود سازی در هیدرولیک و محیط زیست با جزئیات کافی برای اهداف طراحی و مدیریت پروژه‌ها می‌باشد. این تکنیک یک رشد ساختاری در کاربرد مهندسی رودخانه و منابع آب داشته است مانند مطالعه کرونانیتی و همکاران (199)، فلود و کارتام (1994) و گرابرت (1995) و مینس (1998) و سانچز و همکاران (1998) و یانگ و همکاران (1999).

به سبب کاربردهای موفق در مدل کردن رفتار سیستم غیرخطی در یک محدوده وسیع از نواحی، شبکه‌های عصبی مصنوعی در هیدرولوژی و هیدرولیک بکار رفته‌اند. شبکه‌های عصبی مصنوعی در مدل بارش رواناب، تخمین جریان، شبیه‌سازی آلودگی جریان، شناسایی پارامتر و مدل کردن غیرخطی ورودی و خروجی سریهای زمانی بکار رفته‌اند. یک شبکه عصبی سه لایه پیشخور توسط فرنچ و همکاران (1992) برای پیش‌بینی شدت بارش در مکان و زمان بکار رفت. این فرد نتایج را با دو روش دیگر پیش‌بینی ترم کوتاه مقایسه نمود. چنگ و تسانگ (1992) چندین روش رگرسیون و شبکه عصبی مصنوعی برای مدل کردن اکی والان برف آب مقایسه کردند و گزارش دادند که یک شبکه عصبی مصنوعی نتایج بهتری ارائه می‌دهد.

HSU و همکاران (1995) گزارش کردند که شبکه پیشخور چندین لایه بهترین ابزار برای تقریب توابع ورودی خروجی است. آنها یک الگوریتم پیچیده جذر کمینه خطی را برای آموزش یک شبکه پیشخور سه لایه پیشنهاد دادند. که نشان داد روش مدل شبکه عصبی مصنوعی ارائه بهتری از روابط بارش روانات برای یک حوضه با اندازه متوسط که با مدل آرمکس یا مدل رطوبت خاک ساکرامنتو مقایسه شد می‌دهد.

رامان و سانیل کومار (1996) شبکه عصبی مصنوعی را برای تولید جریان ورودی مصنوعی استفاده کردند و اجرای خود را با یک مدل چند متغیره سریهای زمان مقایسه نمودند. منیس‌وهال (1996) یکسری از آزمایشات عددی درباره کاربرد یک شبکهء عصبی مصنوعی را به مدل کردن بارش روناب هدایت کردند و نتیجه گرفتند که شبکه‌های عصبی مصنوعی در شناسایی مفید روابط بین دبی و بارندگی‌های قبلی توانا می‌باشد.  پیشین Autecedent

کریر و همکارانش در سال (1996) یک سیستم هیدروگراف رواناب مجازی براساس یک شبکه عصبی را طراحی کردند و یک ارتباط خوب بین داده‌های مشاهده شده و پیش‌بینی شده بدست آوردند. رامان و چاندرا (1996) عملکرد مخزن یک سد را به دوروش برنامه‌نویسی دینامیکی (DP) و روند شبکه عصبی و (DP) و رویه دگرسیون چند خطی استخراج نمودند.

آنها نتیجه‌گیری کردند که روش (DP) و شبکه عصبی اجرای بهتری از روش دیگر ارائه می‌دهد. تیر و مالایا و دئو (1998) یک شبکه عصبی مصنوعی برای تخمین مرحله وسن رودخانه بکار بردند و گزارش نمودند که مقادیر کمتر مرحله رودخانه با استفاده از این روش بهتر تخمین زده شدند. داوسن و ویلبی (1998) یک شبکه عصبی مصنوعی برای تخمین جریان رودخانه بکار بردند و توانایی آنها در عهده داری با داده‌های ناقص و گم شده و یادگیری از پیش‌بینی شدن رایج از عهده برآمدن cope تصادفی در زمان واقعی را اشاره نمودند. آنها همچنین به نیاز به رسیدگی دقیق به روابط بین طول دوره یادگیری و واقعیت هیدرولوژیکی تخمین شبکه عصبی مصنوعی تأکید نمودند. علی و یرالتا در سال (1999) یک شبکه عصبی مصنوعی را در پیوستگی با یک الگوریتم ژنتیک برای مدل کردن حساسیت آبخوان پیچیده سطحی بکار گرفتند. جین و همکارانش (1999) یک شبکه عصبی مصنوعی برای تخمین ورودی و بهره‌برداری مخزن بکار بردند. ساجی کومار و تاندا و سوارا (1999) نتیجه گرفتند که یک شبکه عصبی مصنوعی مؤثرترین مدلهای جعبه سیاه آزمایش شده برای کالیبراسیون دوره‌های کوتاه 6 ساله برای مدل‌های بارش رواناب می‌باشد.

در مرور رشدی کاربردهای شبکه عصبی در بخش آب، یک مرور جامع از مفهوم و کاربرد آنها توسط کمیته اجرایی ASCE در کاربرد شبکه‌های عصبی مصنوعی در هیدرولوژی اجرا شد (ASCE 2000a,d). این نتیجه می‌شود که ANN ها می‌توانند به خوبی مدلهای موجود انجام شوند. با این وجود فیزیک پروسه اساسی هیدرولوژیکی محصور به سری وزنهای بهینه و مقادیر آستانه و نه قبلاً آشکار شده توسط استفاده کننده پس از آموزش می‌باشد. در نتیجه شبکه‌های عصبی مصنوعی نمی‌توانند به عنوان داروی عمومی برای مسائل هیدرولوژیکی مورد ملاحظه قرار گیرند و نه جانشین سایر تکنیکهای مدل سازی شوند.

در مقاله ارائه شده توسط آقایان نگی و تنبرگ و هیرانو در سال (2002) برای تخمین غلظت بار رسوب در رودخانه‌ها با روش شبکه عصبی مصنوعی، یک روش شبکه عصبی در انتقال رسوب با بکارگیری الگورتیم پس انتشار خطا ارزیابی می‌کند. هدف از تحقیق تخمین غلظت و دبی کل رسوب در جریان‌ها و رودخانه های طبیعی می‌باشد. سعی و خطاهای زیادی برای طراحی ساختار مناسب شبکه انجام گرفته است. مدل با داده‌های اندازه گیری شده صحرائی که متغیرهای انتخاب شده مدل به منظور تخمین مناسب غلظت رسوب تطبیق می‌شود. وزن‌های شبکه متعادل می‌شوند و پارامترهای نتایج می‌دهد که روش شبکه عصبی غلظت رسوب را به خوبی قابل مقایسه با روشهای قراردادی تخمین می‌زند.

ساختار عمومی شبکه پیشنهادی :

یک مدل شبکه عصبی مصنوعی یک شبکه از واحدهای منفرد است که هر کدام یک حافظه محلی دارند. واحدها با حلقه‌هایی که داده‌های متفاوت را حمل می‌کنند به هم متصل هستند. شبکه نیمه خطی پیشخور یک سیستم مؤثر برای یادگیری الگوهای یادگیری از یک مجموعه داده‌ها می‌باشد.

خروجی‌های گره ها (نرون‌ها) دریک لایه به گره های لایه دیگر توسط حلقه‌هایی که این خروجی را توسط فاکتورهای وزن‌دار تقویت یا ضعیف می‌کنند انتقال می‌یابند. به استثنای گره‌های لایه ورودی، ورودی به هر گره (نرون) مجموع خروجی‌های وزن‌دار شده گره‌های لایه ماقبل می‌باشد. هر گره همزمان با ورودی به گره و تابع فعالیت گره و مقدار آستانه گره فعال می‌شود.

الگورتیم پس انتشار خطا

با بکارگیری روند پس انتشار، شبکه را برای همه , را برای همه  در شبکه برای آن p خاص محاسبه می‌کند. این روند برای همه الگوهای آموزشی تکرار می‌شود اصلاحات وزنها انجام گرفته خروجی ها دوباره ارزیابی می‌شوند. اختلاف مقادیر خروجی واقعی و هدف مجدداً در ارزیابی تغییرات وزنها اثر می‌گذارد. بعد از جایگزین‌های کامل همه الگوها در سری آموزشی، سری جدیدی از وزنها بدست می‌آید و خروجی‌های جدید دوباره دریک مدیریت پیشخور تا زمانی که به یک خطای قابل اغماض خاص برسد ارزیابی می‌شود. شبکه نتیجتاً آماده برای تخمین الگو خروجی ناشناس است که مطابق الگوهای ورودی خاص خود باشند. نرم افزار مورد استفاده دراین تحقیق به زبان فرترن بوده و در کامپیوتر pc اجرا شده است.

انتخاب پارامترهای دبی رسوب

مناسبترین متغیرها در هیدرولیک رودخانه عبارتند از : دبی واحد عرض آب q، عمق آب h، شیب طولی S، تنش برشی بستر Z، شتاب ثقل g و سرعت سقوط ذرات wo. برای ماسه طبیعی ‍Ps و P ثابت هستند. پارامتر C­s برابر است با  و پارامتر  توسط سرعت برشی  نشان داده می‌شود این پارامترها به صورت بی‌بعد خود در مطالعات قبلی ارائه شده‌اند. جدول 1 مجموعه مؤثرترین پارامترهای بدون بعد را نشان می‌دهد که به صورت رایج برای تحقیق مسائل دبی رسوب بکار می‌روند. انگلند و هانسن (1967) مفهوم نیروی جریان و قانون شبیه سازی را برای بدست آوردن معادله انتقال رسوب بکار گرفتند. این معادله غلظت رسوب را با نیروی برشی اصطکاک (سطحی) و بدون بعد G=hs/(Gs-1).d50 مرتبط می‌کند که Gs جاذبه ویژه رسوب و Um,s نیروی واحد جریان یا سرعت استهلاک انرژی در واحد وزن آب را نشان می‌دهد. که Um میانگین سرعت جریان است.