دانلود پایان نامه ارزیابی عملکرد مدل‌های هوشمند نروفازی و شبکه‌های عصبی مصنوعی در پیش‌بینی و شبیه‌سازی پارامتر کیفیTDS رودخانه‌ها

59,000تومان

توضیحات

دانلود و مشاهده قسمتی از متن کامل پایان نامه :

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

 

 

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 می‌نماید. 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

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  هدايت الکتريکي(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-ايستگاه 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-ايستگاه 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

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 4-5. الف: gbellmf تابع عضویت ناقوس تعمیم یافته ب: gauss2mf تابع عضویت ترکیب دو منحنی گاوسی ج: gaussmf تابع عضویت منحنی ساده گاوسی.. 50

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 4-8. الف:  سیستم استنتاج فازی از قوانین اگر-آنگاه به صورت TSK ب: شبکه ANFIS با دو متغیر ورودی معادل با سیستم ارائه شده در الف. 58

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 5-6. خط تاخیر ترتیبی.. 72

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 استفاده 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 5-14. سری زمانی پیش‌بینی شده داده‌های آزمایشی EC ایستگاه گراب در گام زمانی یک ماه آینده توسط genfis3 . 84

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 5-21. شبیه‌سازی داده‌های آزمایشی TDS ایستگاه گراب توسط genfis2شیبه‌سازی TDS با نروفازی genfis3  90

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 5-4. خطای RMSE برای داده‌های آموزشی، اعتبارسنجی و آزمایشی پیش‌بینی EC به ازای تعداد کلاستر و تابع عضویت ورودی مختلف    83

جدول 5-5. پارامتر‌های مختلف خطای مدلسازی EC در مراحل آموزش، اعتبارسنجی و آزمایش مدل‌های پیش‌بینی با FIS ایجاد شده توسط genfis2 و genfis3 . 85

جدول 5-6. پارامترهای مختلف خطای مدلسازی هدایت الکتریکی در مراحل آموزش، اعتبارسنجی و آزمایش مدل‌های پیش‌بینی شبکه عصبی. 87

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

 

 

 

فصل اول: مفاهیم اولیه

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 می‌نماید.

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 استفاده 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 استفاده 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 آن‌ها 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

فرآیند 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.

سه روش مدل‌سازی پدیده‌های هیدرولوژیکی[19]

بررسی و تحلیل پدیده‌های مختلف در حوزۀ مهندسی آب و محیط زیست مانند مدیریت کیفی منابع آب را بنابر مقتضیات طرح (اهمیت، دقت مورد نظر، امکانات و زمان) می‌توان در قالب سه روش کلی زیر انجام داد:

  • روش‌های عددی
  • روش‌های تجربی (آزمایشگاهی و میدانی)
  • روش‌های یادگیری بر اساس نمونه (هوش مصنوعی یا داده کاوی)

در دهه‌های اخیر ابزار محاسبات نرم و سیستم‌های هوشمند به عنوان روش‌های جدید مدل‌سازی سیستم‌های پیچیده مهندسی معرفی شده‌اند. پایۀ و اساس این روش، در دو مقوله‌ی آمار و هوش مصنوعی خلاصه می‌گردد که روش‌های هوش مصنوعی به عنوان روش‌های یادگیری ماشین در نظر گرفته می‌شوند. این روش‌ها در واقع رابطۀ بین پارامترهای وابسته و مستقل را تعیین نموده و به نوعی مناسب‌ترین تابع را بر روی آن‌ها برازش می‌دهند و قادر به تقریب هر تابع غیر خطی می‌باشند [11]، [‎47].

1-2-1-3     واسنجی

واسنجی[5] مدل شامل فرآیندی است که طی آن پارامترهای یک مدل بر اساس اطلاعات مشاهده شده مسئله مورد نظر، مشخص می‌گردند. نحوه تعیین و مشخص کردن پارامترهای مدل بستگی به نوع مدل مورد استفاده دارد اما در تمام مدل‌ها داشتن اطلاعات کافی از پیش‌بینی کننده‌ها و مقادیر متناظر متغیر وابسته و مشاهده شده لازم است[‎47].

1-2-1-4     صحت سنجی مدل[6]

خطاهای موجود در پیش‌بینی‌ها از عوامل زیر ناشی می‌شود:

خطای مدل: که به عدم ایجاد ارتباط صحیح بین متغیرهای مستقل و وابسته اطلاق می‌گردد.

خطای اطلاعات: که ناشی از اطلاعات غلط به عنوان ورودی به مدل است.

خطای پیش‌بینی شوری: که به خطا در پیش‌بینی کیفیت جریان در دوره زمانی دلخواه در پیش‌بینی اطلاق می‌گردد و معمولاً برای مدل‌های که بر اساس شبیه‌سازی مفهومی به کار گرفته می‌شوند به وجود می‌آید.

صرف نظر از نوع خطا در مدل پیش‌بینی، همواره استفاده از مدلی ترجیح داده می‌شود که خطای کمتری تولید کند. صحت سنجی مدل‌های پیش‌بینی به منظور سنجش دقت مدل‌ها در انجام پیش بینی انجام می‌گردد [14].

1-3       تحلیل سری‌های زمانی

به علت پیچیدگی و عدم دانش کافی در مورد فرآیندهای فیزیکی در چرخه هیدرولوژیکی، ساخت مدل‌های آماری و گسترش آن‌ها برای فرآیندها، همیشه مورد توجه مهندسین بوده است. اساس بسیاری از تصمیم گیری‌ها در فرآیندهای هیدرولوژیکی و تصمیمات بهره‌برداری از منابع آب بر پایه پیش‌بینی و تحلیل سری‌های زمانی می‌باشد. به عنوان مثال بهره‌برداری در زمان واقعی از مخازن سدها نیازمند آگاهی از آورد جریان ورودی به مخزن در آینده می‌باشد که این امر به وسیله پیش‌بینی سری زمانی جریان رودخانه امکان پذیر است. به عنوان مثالی دیگر برای کاهش ورودی جریان‌های با آلودگی بالا به مخازن و به منظور کاهش آلودگی رودخانه‌ها و مخازن سدها، نیازمند آگاهی از کیفیت جریان ورودی به مخزن در آینده می‌باشد؛ که این امر به وسیله پیش‌بینی سری زمانی کیفیت جریان رودخانه امکان پذیر است. به منظور کاهش بار آلودگی رودخانه‌ها و کاهش آلودگی ورودی به مخازن سدها، می‌توان با انحراف جریان‌ و همچنین اجازه‌ی برداشت‌های بیشتر کشاورزی و صنعتی در بازه‌های زمانی با آلودگی بالا نسبت به کاهش بار آلودگی رودخانه اقدام نمود.

از سوی دیگر کمبود اطلاعات در بسیاری از زمینه‌ها و تحلیل‌ فرآیندهای هیدرولوژیکی، منجر به ارائه روش‌هایی جهت تولید اطلاعات مصنوعی از روی اطلاعات مشاهداتی شده است. در سال‌های اخیر ترکیب فرآیندهای فیزیکی به صورت مدل‌های مفهومی با مدل‌های آماری اساس بسیاری از روش‌های جدید پیش‌بینی و تحلیل سری‌های هیدرولوژیکی بوده است. کاربرد متغیرهای تصادفی در زمینه هیدرولوژی و منابع آب از اوایل قرن بیستم آغاز شده است. تلاش‌های انجام شده در زمینه تحلیل و پیش‌بینی سری‌های زمانی هیدرولوژیکی، به دسته‌بندی‌های زیر قابل تقسیم می‌باشد:

بررسی و شناخت طبیعت غیر قطعی متغیرها و عوامل موثر بر تغییرات آن‌ها

روش‌های مدل‌سازی سری‌های زمانی

ارزیابی مدل‌ها

مجموعه‌ای از اطلاعات اندازه‌گیری شده یک پدیده و یا کمیت قابل اندازه گیری، متغیر نامیده می‌شود. کمیت‌های قابل اندازه گیری پدیده‌های مختلفی که چرخه آبی را تشکیل می‌دهند را متغیرهای هیدرولوژیکی می‌نامند. متغیرهای هیدرولوژیکی عموماً با مکان و زمان تغییر می‌کنند. توالی این متغیرها به ترتیب وقوع آن‌ها در زمان، سری‌های زمانی متغیرهای هیدرولوژیکی نامیده می‌شود. در ریاضیات توصیف رفتار یک پدیده در بعد مکان و زمان را یک فرآیند[7] می‌نامند. اگر یک فرآیند شامل ترکیبات تصادفی باشد این فرایند یک فرآیند غیر قطعی نامیده می‌شود. اکثر سری‌های زمانی متغیرهای هیدرولوژیکی از یک فرایند غیر قطعی تبعیت می‌کنند [14].

1-3-1   بررسی فرایندهای غیر قطعی

اغلب فرایندهای فیزیکی در طبیعت، رفتاری متغیر دارند. به عنوان مثال شدت بارش، بزرگی سیلاب، آلودگی رودخانه تغییرات زیادی در یک منطقه دارد. جهت آگاهی از تغییرات این پدیده‌ها در رخدادهای آتی، تغییرات رفتاری آن‌ها در دوره ثبت اطلاعات، تحت عنوان بررسی فرآیند غیر قطعی مورد بررسی قرار می‌گیرد.

1-3-2  مدل‌های پیش‌بینی مفهومی

مدل‌های مفهومی نیز همانند مدل‌های آماری، نگاشتی بین مقادیر مستقل و متغیر پیش‌بینی برقرار می‌سازند. تفاوت اصلی این مدل‌ها، در مقایسه با مدل‌های آماری این است که مرحله کالیبراسیون آن‌ها با استفاده از روابط آماری یا فیزیکی انجام نمی‌پذیرد، بلکه با استفاده از اطلاعات مبتنی بر تجربیات و مشاهدات قوی به دست می‌آید. هدف استفاده از مدل‌های مفهومی تهیه و تدوین ابزاری برای شبیه‌سازی روابط درونی و معادلات فیزیکی با استفاده از ورودی‌ها و خروجی‌های (مشاهدات) یک سیستم است. روش‌های کالیبراسیون این مدل‌ها نیز عموماً بر اساس روش‌های تجربی یا روش‌های نوین مبتنی بر هوش مصنوعی انجام می گردنند. از معروف‌ترین و پرکاربردترین روش‌های موجود در این زمینه، شبکه‌های عصبی هستند که به خصوص در دهه اخیر کاربرد فراوانی در تخمین متغیرها در مسائل مختلف داشته‌اند.

1-4       کیفیت آب

یکی از موضوعات بسیار مهم در هیدرولوژی کاربردی کیفیت آب است. زیرا عمده فعالیت‌های آب شناسی در جهت تأمین آب برای مصارف کشاورزی و یا شرب و صنعت می‌باشد که هر کدام به لحاظ کیفی می‌بایست دارای ویژگی‌های کیفی و معیارهای مشخصی باشند و اگر تأمین چنان آبی مقدور نباشد این فعالیت‌ها بلااثر می‌باشد. امروزه بررسی‌های کیفی آب دامنۀ گسترده‌تری پیدا کرده و مسائل مربوط به آلودگی آب‌های سطحی و زیرزمینی را شامل می‌گردد. موضوع آلودگی نه تنها در کشورهای صنعتی بلکه در کشورهای کشاورزی و در حال توسعه مطرح می‌باشد.

شوری از معیارهای مهم کیفیت آب برای مصارف کشاورزی و شرب است. شوری برخلاف آنچه از نام آن تداعی می‌شود تنها مربوط به نمک طعام نیست بلکه کلیۀ نمک‌های محلول در آب را که باعث افزایش فشار اسمزی می‌گردد شامل می‌شود [10].

1-4-1کل مواد جامد محلول (TDS)

کل مواد جامد محلول در آب به استثنای رسوبات معلق، مواد کلوئیدی و گازهای محلول را TDS گویند و بر حسب میلی گرم بر لیتر نمایش می‌دهند. دو راه برای محاسبه آن وجود دارد:

  • مجموع تمامی یون‌های موجود در یک لیتر آب را بر حسب mg/l محاسبه می‌نمایند.
  • باقی‌مانده حاصل از تبخیر یک لیتر آب در دمای180 oC یا بینoC 110- 105 را بر حسب mg محاسبه می‌نمایند.

TDS در برگیرنده نمک‌های غیر آلی نظیر کلسیم، منگنز، پتاسیم، سدیم، بیکربنات، کلرید، سولفات و همین‌طور برخی مواد آلی موجود در آب به مقدار کمتر می‌باشد. TDS در آب شرب از منابع طبیعی، فاضلاب، رواناب شهری و فاضلاب‌های صنعتی سرچشمه می‌گیرد.

1-4-2  هدايت الکتريکي(EC)

مقاومت الکتريکي ويژه هر جسم بنا به تعريف ، مقاومت مکعبي از آن جسم است به ضلع يک سانتيمتر و در مورد آب مقاومت ويژه ، مقاومت ستوني از آب مورد آزمايش به بلندي يک سانتيمتر است که بين دو الکترود فلزي به سطح يک سانتيمتر مربع محصور شده است.

واحد مقاومت ويژهOhm.cm  و ياOhm.cm2/cm  است و نظر به اينکه واحد بزرگي است ، يک ميليونيوم آنرا که μ–ohm.cm باشد واحد مقاومت الکتريکي آب انتخاب شده است.

هدايت الکتريکي ويژه[8] آب عکس مقاومت ويژه می‌باشد و آن استعدادي است که آب جهت هدايت جريان الکتريکي از خود نشان مي دهد.

رابطه C=1/R بين هدايت ويژه و مقاومت ويژه بر قرار خواهد بود، که در آن : Cهدايت ويژه و R  مقاومت الکتريکي است.

واحد هدايت ويژه  μmhos/cm است که عکس مقاومت واحد الکتريکي است. غلظت و نوع املاح محلول و حرارت آب در هدايت الکتريکي ويژه موثر واقع مي شود و هدايت الکتريکي آب طبق استاندارد آمريکائي در 25 درجه سانتيگراد و عطف به استاندارد فرانسوي درֹ18 درجه سانتيگراد اندازه گيري مي‌شود. هدايت الکتريکي غالب آبهاي شيرين که مناسب استفاده جهت شرب تشخيص داده شده بين 50 تا 500 ميکروموس بر سانتيمتر است و در فاضلاب‌هاي شهري رقم هدايت الکتريکي نزديک به رقم هدايت الکتريکي آبي است که در شهر توزيع شده است مگر اينکه اختلاط فاضلاب با پس آب صنعتي هدايت الکتريکي را تغيير دهد و در اين صورت ممکن است هدايت الکتريکي تا 10000 ميکروموس نيز برسد [16].

1-5        کلیات تحقیق

1-5-1 هدف از انجام پروژه

با توجه به سری زمانی مشاهداتی پارامتر TDS، ملاحظه می‌شود داده‌های سه سال مربوط به ایستگاه گراب-رودخانه آب شیرین مفقود می‌باشد، بنابراین یکی از اهداف تحقیق فوق در مدل‌های مربوط به شبیه‌سازی، ارائه مدلی برای بازسازی داده‌های مفقوده‌ی این ایستگاه طی این سه سال می‌باشد.

در مورد مدل‌های پیش‌بینی، بیشتر بودن جامعه آماری پارامتر EC نسبت به پارامتر TDS و انجام مدل‌سازی با مجموعه آماری بیشتر، موجب افزایش اعتبار مدل‌سازی می‌شود، بنابراین مدل مربوط به پیش‌بینی هدایت الکتریکی (EC) گام زمانی یک ماه آینده توسط ورودی‌های تأخیری همین پارامتر در گام‌های زمانی پیشین انجام می‌شود.

ANFIS[9] به کمک مجموعه‌ای از داده‌های ورودی / خروجی یک سیستم استنتاج فازی ([10]FIS) ایجاد می‌کند. پارامترهای توابع عضویت این سیستم از طریق الگوریتم پس انتشار یا ترکیب آن با روش حداقل مربعات تنظیم می‌شوند. این عملیات تنظیم به سیستم‌های فازی اجازه می‌دهد تا ساختار خود را از مجموعه داده‌ها فرا بگیرد.

برای تغییر نگاشت بین ورودی و خروجی می‌توان از ساختارهای شبیه به شبکه‌های عصبی استفاده نمود. در واقع می‌توان برای نگاشت ورودی‌ها به توابع عضویت و پارامترهای آن و سپس نگاشت توابع عضویت خروجی به خروجی‌ها، از شبکه‌های عصبی استفاده نمود.

نوآوری: لازم به ذکر است روش نروفازی برای اولین بار در زمینه تحلیل شوری آب رودخانه به کار گرفته شده و همچنین تاکنون چنین مقایسه جامعی میان عملکرد این مدل‌ها در این حوزه انجام نشده است.

در پایان نتایج مربوط به مدل‌های مختلف ANFIS ، شامل سیستم‌های استنتاج فازی ایجاد شده توسط genfis1، genfis2، genfis3 و مدل شبکه عصبی مصنوعی مقایسه شده است. کلیه مراحل مدلسازی‌های مربوط به شبیه‌سازی و پیش‌بینی پارامترهای کیفی در محیط نرم‌افزار مطلب انجام شده است.

1-5-2                       چهارچوب کلی پایان نامه

در این پایان نامه مدل‌های هوشمند شبیه‌سازی و پیش‌بینی پارامترهای کیفی رودخانه‌ها ارائه شده است.

در فصل دوم، ابتدا مروری بر تحقیقات داخلی و خارجی انجام یافته در زمینه استفاده از مدل‌های داده‌کاوی در مطالعات منابع آب و مدیریت کیفی منابع آب، که در دهه اخیر افزایش چشمگیری داشته، ارائه شده است. در ادامه خلاصه‌ای از برخی مطالعات و تحقیقات انجام شده در زمینه شبیه‌سازی و پیش‌بینی و تحلیل عدم قطعیت پارامترهای کیفی رودخانه‌ها توسط مدل‌های هوشمند و مدل‌های هیبرید ارائه شده است. همچنین مطالعاتی در زمینه بررسی و تخمین تغییرات شوری رودخانه‌های داخلی و خارجی توسط روش‌های کلاسیک و روش‌های داده مبنا ارائه شده است.

در فصل سوم، مبانی تئوری و کاربردی شبکه‌های عصبی مصنوعی؛ تاریخچه و دلایل استفاده از این روش آورده شده است. الگوریتم‌های اموزشی و قوانین یادگیری شبکه به همراه روش‌های مختلف آموزش مورد بررسی قرار گرفته است. شبکه‌های متداول در زمینه مهندسی آب از جمله شبکه پرسپترون چند لایه [11](MLP) با الگوریتم آموزشی پیشخور ([12]FF) پس انتشار خطا ([13]BP) توضیح داده شده. ساختار شبکه، تعداد لایه‌های شبکه شامل لایه ورودی، لایه میانی و لایه خروجی ارائه شده است. توابع انتقال مورد استفاده و خواص توابع انتقال سیگموئیدی و برتری این توابع نسبت به سایر توابع انتقال ارائه شده است.

در فصل چهارم نیز مبانی تئوری و کاربردی منطق فازی و سیستم استنتاج عصبی-فازی (ANFIS) توصیف شده است. انواع روش‌های پیشرفته ساخت مدل نروفازی موجود در نرم افزار مطلب ارائه شده است. ساختار و ترکیب هر یک از  سیستم‌های استنتاج فازی ایجاد شده توسط genfis1، genfis2، genfis3 ارائه شده است.

در فصل پنجم، تدوین مدل‌های هوشمند شبیه‌سازی و پیش‌بینی پارامترهای کیفی مطالعه موردی ارائه شده است. حوضه‌های آبریز و ایستگاه‌های آب سنجی مورد مطالعه معرفی شده است. دلایل انتخاب ورودی‌های مدل شبیه‌سازی و پیش‌بینی ارائه شده است. تعداد لایه‌های مخفی مورد نظر، تعداد نرون‌های مورد نیاز، نوع توابع انتقال مورد استفاده، نتایج الگوریتم‌های مختلف آموزشی، کارآمدترین الگوریتم آموزشی در مدلسازی‌ها، تقسیم‌بندی داده‌ها به سه بخش آموزشی، اعتبارسنجی و آزمایشی، نحوه‌ی نرمال‌سازی و برگشت داده‌ها به اشل واقعی در بخش‌های جداگانه‌ای توضیح داده شده است. در پایان نتایج مربوط به مدلهای عصبی و عصبی-فازی به صورت جداگانه ارائه شده و نتایج مربوط به مدل‌های مختلف نروفازی مقایسه شده است.

منابع و مراجع:

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.         دستوراني، م. ت.؛ شريفي داراني، ح.؛ طالبي، ع. و مقدم نيا، ع.، «کارایي شبکه های عصبي مصنوعي و سيستم استنتاج عصبي- فازي تطبيقي در مدل سازي بارش-رواناب در حوضه آبخيز سد زاينده 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.، «شبيه‌سازي و پيش‌بيني آبدهي با استفاده از الگوريتم تركيبي 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». محيط شناسي، 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 اندازه‌گیري مستمر غلظت نیترات در آزمایشگاه‌هاي مطالعات منابع آب کشور». شرکت سهامی آب منطقه‌اي کردستان کمیته تحقیقات، سازمان مجري: 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.     محجوبي، ع.؛ تجريشي، م.، «مقايسه عملكرد الگوريتم هاي شبكه عصبي مصنوعي و درختان تصميم گيري در پيش بيني تغييرات شوري آب رودخانه‌ها – مطالعه موردي: رودخانه كارون». چهارمين همايش و نمايشگاه تخصصي مهندسي محيط زيست، 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).

پیوست الف : Genfis1

function fis = genfis1(data, numMFs, inmftype, outmftype)

%GENFIS1 Generates an initial Sugeno-type FIS for ANFIS training using a grid partition.

FIS = GENFIS1(DATA) generates a single-output Sugeno-type fuzzy inference system (FIS) using a grid  partition on the data (no clustering). FIS is used to provide initial conditions for ANFIS training. DATA is a matrix with N+1 columns where the first N columns contain data for each FIS input, and the last column contains the output data. By default, GENFIS1 uses two ‘gbellmf’ type membership functions for each input. Each rule generated by GENFIS1 has one output membership function, which is of type ‘linear’ by default.

% Change this to have different default values

default_mf_n = 2;

default_mf_type = ‘gbellmf’;

default_output_type = ‘linear’;

fis.name = ‘anfis’;

fis.type = ‘sugeno’;

fis.andMethod = ‘prod’;

fis.orMethod = ‘max’;

fis.defuzzMethod = ‘wtaver’;

fis.impMethod = ‘prod’;

fis.aggMethod = ‘max’;

%   Reference

%   Roger Jang, 8-7-94, Kelly Liu 7-30-96, N. Hickey 04-16-01

%   Copyright 1994-2006 The MathWorks, Inc.

پیوست ب   : Genfis2

function fismat = genfis2(Xin,Xout,radii,xBounds,options,user_centers)

%GENFIS2 Generates a Sugeno-type FIS using subtractive clustering.

Given separate sets of input and output data, GENFIS2 generates a fuzzy inference system (FIS) using fuzzy subtractive clustering. GENFIS2 can be used to generate an initial FIS for ANFIS training by first applying subtractive clustering on the data. GENFIS2 accomplishes this by extracting  a set of rules that models the data behavior. The rule extraction method first uses the SUBCLUST function to determine the number of rules and antecedent membership functions and then uses linear least squares estimation to determine each rule’s consequent equations.

% Inference operators for and, or, imp, agg, and defuzz

fismat.andMethod = ‘prod’;

fismat.orMethod = ‘probor’;

fismat.impMethod = ‘prod’;

fismat.aggMethod = ‘max’;

fismat.defuzzMethod = ‘wtaver’;

% input membership function types

fismat.input.type = ‘gaussmf’;

% output membership function types

fismat.output.type = ‘linear’;

%   Reference

%   S. Chiu, “Fuzzy Model Identification Based on Cluster Estimation,” J. of Intelligent & Fuzzy Systems, Vol. 2, No. 3, 1994.

پیوست ت   : Genfis3

function fismat = genfis3(Xin, Xout, fistype, cluster_n, fcmoptions)

%GENFIS3 Generates a FIS using FCM clustering

Given separate sets of input and output data, GENFIS3 generates a fuzzy inference system (FIS) using FCM clustering. GENFIS3 accomplishes this by extracting a set of rules that models the data behavior. The rule extraction method first uses the fcm function to determine the number of rules and membership functions for the antecedents and consequents.

It can take one of two values. ‘mamdani’ or ‘sugeno’.

mftype = ‘gaussmf’

%   Copyright 1994-2005 The MathWorks, Inc.

Abstract:

Rivers are the most important and the most common sources of drinking water supply, agriculture and industry. These resources are due to the passage of the different beds and direct relationship with its surrounding environment have high quality fluctuations. Hence forecasting the quality of stream flow that is a non-deterministic, random and impressible phenomenon of some normal and abnormal factors, plays an important role in the quality management of water resources. Due to deficiencies in the statistical data we can use of the results of simulation models to detect noise, correction or completion of data. In order to evaluate the quality of a water supply, indices are considered to quality of water resources. To accomplish this, the concentration of total dissolved solids (TDS) and electrical conductivity (EC) gauging station Garub in Aab Shirin rivers , for predicting and simulating the salinity changes were evaluated. In Prediction models, By maintaining continuous-time delayed inputs monthly total dissolved solids is used to estimate salinity and Due to the dispensability of maintaining continuous-time and decreasing modeling error of simulation models, random combination of total anions and cations are used as input to the model. In this study, artificial neural networks and neuro-fuzzy intelligent algorithms for modeling time series that do not have conditions for making use of classical techniques , such as static are used. Results showed that the same performance of both methods with reasonable accuracy are in the modeling of qualified parameters of the basin Research. In the end, according to the obtained results, the neuro-fuzzy model, in comparison with Artificial Neural Network has less uncertainty in the output values. So that within a certain range of most models, indicates better performance.

Key words: Neuro-fuzzy, Artificial Neural Network, River pollution, Prediction,  simulation, Electrical Conductivity (EC).

University of Qom

Faculty of Engineering

Thesis for

Degree of Master of Science (MSc)

In Hydraulic Structures Engineering

Title:

Application of Artificial Inteligence models to Prediction and simulation Salinity Variation (Case Study: Aab Shirin River, Garub Station)

Supervisor:

Dr.Taher Rajaee

Advisor:

Dr. M.R. Kavianpour

By:

………………………

 

September 2012

 

 

[1] Hard Computing

[2] Soft  Computing

[3] Partial Truth

[4] Forecasting

[5] Calibration

[6] Validation

[7] Process

[8] specific  conductance

[9] Adaptive Neuro-Fuzzy Inference System= (ANFIS)

[10] Fuzzy Inference System = FIS

[11] Multi Layer Preceptron

[12] feedforward

[13] Back-Propagation

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “دانلود پایان نامه ارزیابی عملکرد مدل‌های هوشمند نروفازی و شبکه‌های عصبی مصنوعی در پیش‌بینی و شبیه‌سازی پارامتر کیفیTDS رودخانه‌ها”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

14 + = 16