ورود
مقالات فارسیISIکنفرانسهاژورنالها

پیش بینی دبی ورودی وسطح آب مخزن سد دز با استفاده از سیستم های فازی و شبکه های عصبی مصنوعی

صاحب اثر: سازمان آب و برق خوزستان
نوع محتوی: طرح پژوهشی
زبان: فارسی
استان موضوع گزارش: خوزستان
شهر موضوع گزارش: بهبهان
شناسه ملی سند علمی: R-1047486
تاریخ درج در سایت: 6 مهر 1397
دسته بندی علمی: مهندسی آب و هیدرولوژی
مشاهده: 1,336
تعداد صفحات: 161
سال انتشار: 1386

نسخه کامل طرح پژوهشی منتشر نشده است و در دسترس نیست.

  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این طرح پژوهشی:
https://civilica.com/doc/1047486

چکیده طرح پژوهشی:

امروزه یکی از مهمترین مسائل جهت مدیریت سیلاب و جلوگیری از صدمات اقتصادی و جانی ناشی از آن، پیش­بینی صحیح جریان رودخانه­ها می­باشد. یکی از بهترین راه­های کاهش اثرات مخرب سیلاب، استفاده از سدها و مخازن است. مخازن مهمترین و موثرترین سیستم ذخیره آب می­باشند که توزیع نابرابر مکانی و زمانی آب را تغییر می­دهند. آنها همچنین تامین کننده آب شرب و آبیاری بوده و وسیله بسیار مناسبی برای تولید انرژی برقابی می­باشند. به منظور بهترین استفاده از آب موجود، بدون­شک مدیریت بهینه مخازن در یک سیستم پویا بسیار مهم می­باشد.

پیش­بینی جریان ورودی و سطح آب مخزن، در بهینه­سازی مدیریت مخازن آب بسیار موثر می­باشند. اما فاکتور­ها و عوامل مختلفی بر روی این پدیده­ها تاثیر­گذارند که تحلیل آنها را مشکل می­سازد. مدل­های آماری و رگرسیون از معمولترین روشهای تحلیلی می­باشند که غالبا با توجه به حل خطی این پدیده­ها، نتایجی همراه با خطا ارائه داده و نمی­توانند تغییرات زمانی پدیده مورد نظر را با دقت قابل قبول مدل کنند. امروزه سیستم­های هوشمند فازی و عصبی با توجه به توانایی در حل پدیده­های غیر خطی و پیچیده، کاربرد­های فراوانی در مسائل مختلف مهندسی آب از جمله هیدرولوژی پیدا کرده­اند، که در این تحقیق نیز به ارزیابی این سیستم­ها در پیش­بینی جریان ورودی به مخزن و سطح آب در آن پرداخته می­شود.

فرضیاتی که در مدل­های هیدرولوژیکی در نظر گرفته می­شود باید با واقعیات هیدرولوژیکی سازگار باشد و پیش­بینی­ها نباید از محدودة مشاهداتی رفتار سیستم خارج گردد. قابلیت یک مدل هیدرولوژیکی باید بصورت ساختاری، هم در مورد اساس تئوری­های هیدرولوژیکی بکار رفته در آن و هم از لحاظ میزان دادة مورد نیاز و موجودیت آنها مورد ارزیابی قرار گیرد. مدل­های هیدرولوژیکی موجود به­لحاظ بکارگیری میزان جزئیات فرآیندهای هیدرولوژیکی در مدل­ها، متمایز می­باشند. در مدل­های تجربی از جزئیات فرآیندها صرفنظر می­گردد و تنها از معادلات ساده با پارامترهای اندک استفاده می­شود. هر مدل تجربی برای یک حوضه خاص بدست آمده و ممکن است برای حوضه­های دیگر کارایی لازم را نداشته باشد. در مقابل در مدل­های فیزیکی سعی می­گردد حداکثر جزئیات فرآیندها در مدل در نظر گرفته شود.  بنابراین هر نوع کاربرد این نوع مدل­ها نیازمند اطلاعات بسیار جامع و کامل از حوضه مورد بررسی و نیز تعیین هزاران مقادیر پارامتری می­باشد. کالیبراسیون چنین مدل­هایی نیز، بسیار پیچیده و وقت­گیر می­باشد.با توجه به محدودیت­های مدل­هایی از نوع بالا، مدل­های جعبه سیاهی همچون شبکه­های عصبی و سیستم­های فازی با نیاز به داده­های کمتر به نسبت مدل­های فیزیکی، نتایج بسیار خوبی را ارائه می­دهند.

سد دز یکی از بلندترین سدهای ایران بوده و بر روی رودخانه دز که از ارتفاعات غربی زاگرس سرچشمه گرفته و از نظر میزان آبدهی دومین رودخانه ایران محسوب می­شود، ساخته شده است. با توجه به اینکه رودخانه دز یکی از پرآب­ترین و مهمترین رودخانه­های کشور می­باشد، پیش­بینی دبی این رودخانه می­تواند به مدیریت حوضه این رودخانه و به طور کلی صنعت آب کشور، کمک زیادی کند.

در این تحقیق با استفاده از اطلاعات باران و تبخیرسنجی و دبی ایستگاه­های بالادست مخزن سد دز و همچنین خود مخزن سد، به پیش­بینی دبی ورودی به مخزن در 1 تا 4 روز آینده با استفاده از سیستم­های فازی و شبکه­های عصبی پرداخته می­شود. الگو­های مختلفی از اطلاعات باران­سنجی و دبی ایستگاه­های بالادست و همچنین اطلاعات تبخیر، باران­سنجی و دبی ورودی به مخزن در دوره­های گذشته به عنوان اطلاعات ورودی استفاده می­شوند. در انتها به­منظور بررسی بیشتر توانایی این سیستم­های هوشمند، نتایج حاصل از آنالیز رگرسیون با نتایج سیستم­های فازی و شبکه­های عصبی مقایسه می­گردند.

به منظور پیش­بینی جریان رودخانه­ها با استفاده از شبکه­های عصبی از الگوریتم پس انتشار خطا (BP) جهت آموزش و تست شبکه بهره­برده می­شود. همچنین ساختارهایی با توابع محرک و الگوریتم­های یادگیری مختلف، تعداد نرونهای متفاوت برای لایه پنهان نیز معرفی می­شود تا بتوان بهترین الگوی تطبیق داده شده با شرایط جریان انتخاب گردد.

در هنگام پیش­بینی دبی ورودی به مخزن با استفاده از سیستم­های فازی از دو سیستم استنتاج فازی ممدانی و تاکاگی-­سوگنو استفاده می­شود. در این تحقیق، همچنین روشهای فازی­ساز و غیر­فازی­ساز و شکل توابع عضویت متفاوت جهت تعیین بهترین ساختار به کار برده می­شود.

در قسمت دوم این تحقیق به پیش­بینی سطح آب در مخزن در دوره­های سیلابی پرداخته می­شود. به این منظور از روش بدیع سیستم استنتاج فازی-­عصبی تطبیقی (ANFIS) جهت تخمین 3 تا 60 ساعته سطح آب در مخزن استفاده می­شود. سیستم استنتاج فازی-­عصبی تطبیقی (ANFIS) یک شبکه پس­خور چند لایه می­باشد که از الگوریتمهای یادگیری شبکه­عصبی و منطق فازی به منظور طراحی نگاشت­غیر­خطی بین فضای ورودی و خروجی استفاده می­کند. ANFIS با توجه به توانایی در ترکیب قدرت زبانی یک سیستم فازی با قدرت عددی یک شبکه تطبیقی سیستم فازی، نشان داده است که در مدل­سازی فرایندهای فراوانی قدرتمند م

پیش گفتار طرح پژوهشی

سازه­های کنترل­کننده آب مثل سدها، سیل­بندها و … نقش موثری در کاهش یا حذف خسارات ناشی از سیلاب ایفاء می­کنند. اما در بسیاری از شرایط، فاکتورهای توپوگرافیک یا اقتصادی موجب غیرعملی بودن کنترل سیلاب می­شوند. در این شرایط، پیش­بینی دبی رودخانه ابزارهای جایگزینی را جهت کاهش خسارات سیلاب فراهم می­کند. هشدار قبل از یک سیلاب پیش­رو، اجازه تخلیه افراد، دامها و ابزارآلات را می­دهد. جهت تخمین دبی ورودی به مخازن، پیش­بینی دبی رودخانه مورد نیاز می­باشد تا کنترل سیلاب یا کاربردهای دیگر مخازن با راندمان بالا انجام گردد. علاوه بر این، امروزه جهت ناوبری، تامین آب، آلودگی آب و بسیاری دیگر از مسائل مرتبط، پیش­بینی دبی رودخانه مورد نیاز می­باشد. پیش­بینی جریان ورودی به مخزن، در بهینه­سازی مدیریت مخازن آب بسیار موثر می­باشند. اما فاکتورها و عوامل مختلفی بر روی این پدیده­ها تاثیر­گذارند که تحلیل آنها را مشکل می­سازد. مدلهای آماری از معمولترین روشهای تحلیلی می­باشند که غالبا با توجه به حل خطی این پدیده­ها، نتایجی همراه با خطا ارائه داده و نمی­توانند تغییرات زمانی پدیده مورد نظر را مدل کنند. امروزه سیستم­های هوشمند فازی و عصبی با توجه به توانایی در حل پدیده­های غیرخطی و پیچیده، کاربرد­های فراوانی در مسائل مختلف مهندسی آب از جمله هیدرولوژی پیدا کرده­اند، که در این تحقیق نیز به ارزیابی این سیستم­ها در پیش­بینی جریان ورودی و سطح آب مخزن پرداخته می­شود.

در ایران کم­کم کاربرد شبکه­های عصبی در مسائل مختلف مهندسی و از جمله علوم آب شناخته شده­تر می شوند. برآورد رسوب، سدهای خاکی، تخمین شیب پایدار و همچنین پیش­بینی جریان رودخانه­ها و شبیه­سازی فرایند بارش رواناب از جمله مسائلی هستند که اخیرا مورد توجه قرار گرفته­اند. اما سیستم­های فازی در ایران و در مسائل مختلف مهندسی آب کمتر مورد استفاده قرار گرفته­اند. از تحقیقات انجام شده می­توان به کارهایی که در زمینه تعیین بار رسوبی رودخانه­ها، برآورد مصرف آب شهری و بهره­برداری بهینه مخزن اشاره کرد.

تحقیقات بسیار زیادی در جهان در مورد کاربرد شبکه­های عصبی در مهندسی علوم آب صورت گرفته است که می­توان به پیش­بینی بارندگی، مدل­سازی آبهای زیرزمینی و پیش­بینی جریان رودخانه [1] اشاره کرد.

از زمانی­که تئوری مجموعه­های فازی، اولین بار در سال 1965 توسط پروفسور لطفی عسگرزاده پایه گذاری شد، تحقیقات نسبتا زیادی در مورد کاربرد سیستم­های فازی در علوم مهندسی صورت گرفته است. همچنین کارهای نسبتا خوبی در زمینه علوم آب و جهت پیش­بینی سیلاب [2]، فرایند بارش-­رواناب [3] و جریان رودخانه [4] صورت گرفته است.

همچنین ANFIS با توجه به توانایی در ترکیب قدرت زبانی یک سیستم فازی با قدرت عددی یک شبکه عصبی، نشان داده است که در مدل­سازی فرایندهای همچون مدیریت مخازن، سری­های زمانی هیدرولوژیکی و برآورد رسوب بسیار قدرتمند می­باشند.

هدف اصلی این تحقیق، بررسی توانایی سیستم­های فازی و شبکه­های عصبی در پیش­بینی جریان روزانه ورودی به سد دز و مقایسه آن با روش رگرسیون می­باشد. به این منظور با استفاده از اطلاعات 8 ایستگاه هیدرومتری، 4 ایستگاه باران­سنجی و 2 ایستگاه تبخیرسنجی در بالادست سد دز به پیش­بینی جریان ورودی به سد، برای 1 تا 4 روز آینده پرداخته شد. بالطبع نتایج کاربردی این تحقیق می­توانند برای سیستم­های هشدار سیل به­کار گرفته شوند.

فهرست مطالب طرح پژوهشی

1-1) مقدمه 2

1-2) ضرورت تحقیق 2

1-3) اهداف و روش تحقیق 6

1-4) ساختار پایان نامه 7

 

فصل دوم: آشنایی با مدل¬های هیدرولوژیکی

2-1) رواناب سطحی 10

2-2) اهمیت پیش¬بینی دبی رودخانه 11

2-3) روش¬های پایه پیش¬بینی دبی رودخانه 11

2-3-1) روش استدلالی 12

2-3-2) روش مدت-مساحت 13

2-3-3) روش هیدروگراف واحد 15

2-3-3-1) محدودیت¬های روش هیدروگراف واحد 16

2-4) مدل¬های هیدرولوژیکی 17

2-4-1) طبقه¬بندی مدل¬های هیدرولوژیکی 18

2-4-1-1) طبقه¬بندی بر اساس فرآیند 19

2-4-1-2) طبقه¬بندی بر اساس مقیاس زمانی 23

2-4-1-3) طبقه¬بندی بر اساس مقیاس مکانی 23

2-4-1-4) طبقه¬بندی بر اساس کاربری زمین 23

2-5) معادلات بیلان آب مخزن 24

 

فصل سوم: شبکه¬های عصبی مصنوعی

3-1) مقدمه 26

3-2) ویژگی¬های شبکه¬های عصبی 28

3-2-1) قابلیت یادگیری 28

3-2-2) پراکندگی اطلاعات 28

3-2-3) قابلیت تعمیم 29

3-2-4) پردازش موازی 29

3-2-5) مقاوم بودن 29

3-3) تاریخچه شبکه¬های عصبی 30

3-4) شبکه عصبی بیولوژیکی 31

3-5) مدل¬سازی 33

3-5-1) مراحل ساخت یک مدل با شبکه عصبی مصنوعی 33

3-6) انواع شبکه¬های عصبی 34

3-6-1) انواع شبکه¬های عصبی بر مبنای روش آموزش 35

3-6-2) انواع شبکه¬های عصبی بر مبنای نوع اتصالات در شبکه 35

3-7) شبکه عصبی چندلایه پیشخور ((MLP 36

3-7-1) تعداد لایه¬ها و نرون¬های شبکه عصبی پیشخور 38

3-7-2) تابع محرکه مورد استفاده 39

3-8) آموزش شبکه¬های عصبی 41

3-9) روش پس¬انتشار خطا 42

3-9-1) الگوریتم آموزش به روش پس انتشار خطا 44

3-9-2) انتخاب مقادیر اولیه برای وزنها و بایاس¬ها 46

3-9-3) زمان مناسب برای آموزش شبکه 46

3-9-4) تست شبکه 47

3-10) پیشینه کاربرد شبکه¬های عصبی در مهندسی علوم آب 47

 

فصل چهارم: سیستم¬های فازی

4-1) مقدمه: 50

4-2) مفاهیم سیستم¬های فازی 52

4-2-1) تابع عضویت 52

4-2-2) اشتراک فازی، T-نرمها 53

4-2-3) اجتماع فازی، S-نرمها( T-همنرمها) 53

4-3) روش¬های فازی¬ساز و غیرفازی¬ساز 54

4-3-1) روش¬های فازی¬ساز 54

4-3-1-1) روش فازی¬ساز مثلثی 54

4-3-1-2) روش فازی¬ساز ذوزنقه¬ای 55

4-3-1-3) روش فازی¬ساز گوسی 55

4-1-3-4) روش فازی¬ساز زنگی شکل 55

4-3-2 ) روشهای غیرفازی¬ساز 56

4-3-2-1 ) اصل ماکزیمم عضویت 56

4-3-2-2 ) روش مرکز ثقل 57

4-3-2-3 ) روش میانگین مراکز 57

4-4) سیستم¬های قاعده-بنیاد فازی 58

4-4-1) ساختار کلی 58

4-4-2) سیستم استنتاج فازی ( FIS ) 59

4-4-2-1) مراحل ساختن یک سیستم استنتاج فازی 60

4-4-2-2) مدل فازی ممدانی 60

4-4-2-3) مدل فازی تاکاگی-سوگنو 62

4-5) پیشینه کاربرد سیستم¬های فازی در مهندسی علوم آب 64

4-6) سیستم استنتاجی فازی-عصبی تطبیقی ( ANFIS ) 64

4-6-1) ساختار و الگوریتم 65 

 

فصل پنجم: منطقه مورد مطالعه و روش تحقیق

 

5-1) مقدمه 70

5-2) حوضه آبریز دز 70

5-2-1) رودخانه دز 70

5-2-2) سد دز 72

5-2-3) خصوصیات هواشناسی حوضه 73

5-2-4) شبکه هیدرومتری حوضه آبریز دز 77

5-3) مراحل شبیه¬سازی یک پدیده با شبکه عصبی مصنوعی 82

5-4) برنامه¬های استفاده شده در این تحقیق 83

5-4-1) Neurointeligence 83

5-4-2) Matlab 86

5-4-3) ANFIS در نرم¬افزار Matlab 87

5-5) آنالیز رگرسیونی 91

5-6) آزمون¬های آماری 92

5-6-1) آزمون خطای ریشه میانگین مربعات خطا (RMSE) 92

5-6-2) آزمون درصد متوسط خطای مطلق پیش¬بینی (Er) 92

5-7) داده¬های مورد استفاده در این تحقیق 93

5-7-1) پیش¬بینی دبی ورودی 93

5-7-2) پیش¬بینی سطح آب    93

 

 

فصل ششم: بحث ونتایج

6-1) پیش¬بینی دبی ورودی 96

6-1-1) مقدمه 96

6-1-2) پیش¬بینی دبی ورودی با استفاده از سیستم¬های فازی 96

6-1-2-1) واسنجی مدل¬های فازی 96

6-1-2-2) صحت¬سنجی مدل¬های فازی 100

6-1-3) پیش¬بینی دبی ورودی با استفاده از شبکه¬های عصبی مصنوعی 103

6-1-3-1) مقدمه 103

6-1-3-2) آموزش شبکه 104

6-1-3-3) تعیین بهترین الگوریتم یادگیری 105

6-1-4) پیش¬بینی دبی ورودی با استفاده از آنالیز رگرسیون 111

6-1-5) مقایسه نتایج سیستم¬های فازی، شبکه¬های عصبی و رگرسیون 112

6-1-5-1) مقایسه نتایج با دبی مشاهده شده 112

6-1-5-1-1)دبی ورودی به سد در 1 روز آینده 112

6-1-5-1-2) دبی ورودی به سد در 2 روز آینده 114

6-1-5-1-3) دبی ورودی به سد در 3 روز آینده 115

6-1-5-1-4) دبی ورودی به سد در 4 روز آینده 115

6-1-5-2) مقایسه نتایج با محدوده¬های 20  % مقدار دبی مشاهده شده 116

6-1-5-2-1) دبی ورودی به سد در 1 روز آینده 117

6-1-5-2-2) دبی ورودی به سد در 2 روز آینده 118

6-1-5-2-3) دبی ورودی به سد در 3 روز آینده 119

6-1-5-2-4) دبی ورودی به سد در 4 روز آینده 120

6-2) پیش¬بینی سطح آب 122

6-2-1) پیش¬بینی اشل آب در سد در 6 ساعت آینده 132

6-2-2) پیش¬بینی اشل آب در سد در 12 ساعت آینده 133

6-2-3) پیش¬بینی اشل آب در سد در 24 ساعت آینده 134

6-2-4) پیش¬بینی اشل آب در سد در 36 ساعت آینده 135

6-2-5) پیش¬بینی اشل آب در سد در 48 ساعت آینده 136

6-2-6) پیش¬بینی اشل آب در سد در 60 ساعت آینده 137

 

فصل هفتم: نتیجه¬گیری و پیشنهادات

7-1) مقدمه 140

7-2) نتایج 141

7-3) پیشنهادات 143

منابع مورد استفاده 145 

نمایش کامل متن

نویسندگان