پیش بینی دبی ورودی به مخازن سدها مطالعه موردی مخزن سددز
نسخه کامل طرح پژوهشی منتشر نشده است و در دسترس نیست.
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
چکیده طرح پژوهشی:
در کشور ایران که در اقلیم خشک و نیمه خشک قرار دارد، سدهای مخزنی در تأمین نیازهای شرب، کشاورزی و صنعت از اهمیت ویژهای برخوردارند. در این راستا، برآورد مقدارجریان ورودی به مخزن سد از موضوعات با اهمیت محسوب میشود. در سالهای اخیر، از شبکههای عصبی مصنوعی به دلیل توانمندی آنها در حل مسائل پیچیده و غیرخطی، به طور گستردهای استفاده شده است. در طرح حاضر به ارزیابی مدل هیبریدی استاتیک-دینامیک شبکه عصبی مصنوعی و مقایسه مدل برتر با مدل آریما پرداخته شده است. از آمار روزانه ایستگاه تلهزنگ واقع در بالادست سد مخزنی دز به عنوان ورودی به مدلها استفاده شده است. در مدل هیبریدی شبکه عصبی مصنوعی با استفاده از تابع آموزش لونبرگ-مارکوارت و توابع فعالیت تانژانت هایپربولیک و سیگموییدی برای لایه مخفی و تابع خطی برای لایه خروجی، ساختارهای مختلف طی آزمونهای مختلف بررسی شدند و در نهایت ساختاری که کمترین مقدار را برای شاخص متوسط خطای نسبی (MARE) به همراه داشت، به عنوان مناسبترین ساختار مدل هیبریدی شبکه عصبی مصنوعی انتخاب گردید. بررسی نتایج این مدل نشان داد که مدل هیبریدی استاتیک-دینامیک با ده نرون در لایه مخفی و اعمال ده تأخیر زمانی بر روی خروجیهای تست شبکه توانسته با خطایی معادل 28 درصد، آبدهی روزانه ورودی به مخزن سد دز در یک سال آینده را پیشبینی نماید. این در حالی بود که، آموزش استاتیک شبکه فقط با استفاده از داده¬های سه روز قبل انجام گردید. همچنین نتایج نشان داد مناسبترین توابع این شبکه، تابع آموزش لونبرگ-مارکوارت و تابع فعالیت سیگموئیدی برای لایه پنهان و تابع خطی برای لایه خروجی بود. همچنین به منظور پیش بینی جریان روزانه توسط مدلهای سری زمانی از روش باکس-جنکینس استفاده شده است. با توجه به اینکه دادهها روزانه هستند و دارای الگوی فصلی میباشند، با بهرهگیری از سری فوریه، پارامترهای میانگین و انحراف معیار دادههای آبدهی روزانه ایستگاه تله زنگ واقع در بالادست سد دز، برای دوره دراز مدت 34 ساله با پریود 365 روزه برآورد شدند. پس از محاسبه پارامترها، دادههای مشاهداتی توسط این پارامترها استاندارد شدند. پس از استاندارد نمودن دادهها، نتایج تحقیق نشان داد که الگوی فصلی دادهها، توسط پارامترهای محاسبه شده با سری فوریه حذف شده است. پس از حذف نمودن الگوی فصلی دادههای مشاهداتی توسط سری فوریه، مدلهای میانگین متحرک جامع خودهمبسته (ARIMA) مختلفی به دادههای استاندارد شده برازش داده شد و در نهایت با استفاده از شاخص AIC و در نظر گرفتن حداقل تعداد پارامترهای مدل، بهترین مدل انتخاب گردید. پس از انتخاب بهترین مدل آریما، پیش بینی جریان روزانه ورودی به مخزن سد دز توسط مدل منتخب انجام شد. نتایج نشان داد که مدل (1 ،1، 1) ARIMA بر اساس آمار ایستگاه هدف به خوبی توانسته است جریان روزانه ورودی به مخزن سد دز را برای دورههای مختلف در طی یک سال آینده با دقتهای مختلف پیش بینی نماید. همچنین مقایسه نتایج بدست آمده از دو مدل حاکی از آن بود که مدل آریما توانست به میزان 18% خطای MARE پیش بینی را کاهش دهد. اما مدل مدل هیبریدی شبکه عصبی مصنوعی در پیشبینی دبیهای پیک از مدل آریما موفقتر عمل کرده و خطای پیشبینی 28% را به 12% کاهش داده است. نتایج تحقیق حاضر نشان می دهد که مدل پیشنهادیِ هیبریدی شبکه عصبی مصنوعی پیش بینی متداول کوتاه یک روز تا یک هفته را به پیش بینی پنج ماهه خرداد تا آبان افزایش داده است و در یکسال پیش بینی شده پیش بینی این پنج ماه توصیه می شود و در سایر ماهها عدم قطعیت ناشی از عوامل هواشناسی نظیر بارش وجود دارد .
فهرست مطالب طرح پژوهشی
نویسندگان