استفاده از مدل موجک _ عصبی در شبیه سازی جریان روزانه رودخانه

مقدمه: امروزه یکی از مهم ترین مسایل جهت مدیریت سیلاب و جلوگیری از صدمات اقتصادی و جانبی ناشی از آن، پیش بینی صحیح جریان رودخانه ها می باشد. یکی از بهترین راه های کاهش اثرات مخرب سیلاب، استفاده از سدها است. تخمین دقیق جریان ورودی به مخازن سدها می تواند نقش به سزایی در برنامه ریزی و مدیریت منابع آب داشته باشد. اما فاکتورها و عوامل مختلفی بر روی این پدیده تاثیر گذارند که تحلیل آن ها را مشکل می سازد. مدل های آماری و رگرسیون از معمول ترین روش های تحلیلی می باشند که غالبا با توجه به حل خطی این پدیده ها نتایجی همراه با خطا ارائه داده و نمی توانند تغییرات زمانی پدیده مورد نظر را با دقت قابل قبولی مدل سازی نمایند. لذا انتخاب مدلی که بتواند با استفاده از عوامل تاثیرگذار، جریان ورودی را به طور قابل قبولی تخمین بزند امری ضروری به نظر می رسد. امروزه سیستم های هوشمند هم چون شبکه عصبی مصنوعی و سیستم استنتاج فازی-عصبی با توجه به توانایی در حل پدیده های غیرخطی و پیچیده کاربرد گسترده ای در مسائل مختلف مهندسی آب از جمله مطالعات هیدرولوژی پیدا کرده است.

مواد و روش ها: در این تحقیق به منظور شبیه سازی جریان روزانه از مدل های موجک عصبی استفاده شده که در این ارتباط از داده های مورد نیاز روزانه شامل بارش، دما، دبی جریان و غیره ایستگاه هیدرومتری مشرف بر رودخانه سیوند در یک دوره ۲۸ ساله (۱۳۸۹-۱۳۶۱) استفاده شد. به منظور استفاده از مدل های موجک عصبی در ابتدا، داده های ورودی مدل را با استفاده از توابع موجک تجزیه کرده و در ادامه ۸۰ درصد داده ها جهت آموزش و ۲۰ درصد جهت آزمون مدل استفاده گردید. در این تحقیق از نرم افزار متلب به منظور مدل سازی استفاده شده است.

نتایج و بحث: در مدل ترکیبی موجک_ عصبی ابتدا سیگنال پارامترهای ورودی با استفاده از تبدیلات موجک تجزیه شد، سپس زیر سیگنال ها به عنوان ورودی به شبکه عصبی وارد می شود. تعداد نرون های ورودی برای شبکه برابر با m*(j+۱)، که j درجه تجزیه موجک و m تعداد پارامترهای ورودی است. به عنوان مثال به ازای درجه تجزیه یک، با توجه به پارامترهای ورودی که در این پژوهش برابر ۴ (بارش، جریان، دما و تبخیر) است تعداد نرون ورودی برابر ۸ به دست می آید. لایه خروجی نیز دارای یک نرون است. تعداد نرون های لایه میانی متغیر بوده و با سعی و خطا به دست می آید. در این پژوهش تعداد نرون های لایه میانی بین سه تا ده در نظر گرفته شده است. با بررسی ساختارهای مختلف، این نتیجه حاصل شد که افزایش تعداد نرون های لایه میانی دلیلی برای بهتر شدن نتیجه مدل نیست، به طوری که در این پژوهش تمامی ساختارهای برتر تعداد نرون های لایه میانی کم تر از ۱۰ بوده است. یعنی با تعداد نرون های کم تر هم می توان انتظار نتایج مطلوب را داشت. با بررسی توابع آموزش مختلف می توان به این نتیجه رسید که استفاده از کلیه توابع آموزش با توجه به زمان بر بودن توصیه نمی شود. در نهایت پس از آزمون مدل های مختف با ساختارهای متفاوت نتایج حاکی از عملکرد مناسب اکثر مدل ها در شبیه سازی جریان روزانه با ضریب تعیین حدود ۹۸/۰ و جذر میانگین مربعات خطای حدود ۰۰۸/۰ می باشد.

نتیجه گیری: در این مطالعه از مدل هیبرید موجکی- عصبی به منظور پیش بینی جریان روزانه رودخانه استفاده شده است. بعد از بررسی های متعدد و استفاده از توابع موجکی مختلف در تجزیه سیگنال ورودی و هم چنین استفاده از توابع مختلف در آموزش مدل ترکیبی نتایج حاکی از عملکرد مناسب مدل های تلفیقی موجک عصبی در شبیه سازی جریان روزانه می باشد. نتایج نشان داد که مدل موجک عصبی یک روش مناسب به منظور پیش بینی کوتاه مدت در حوضه های نیمه خشک با رودخانه های غیر دائمی می باشد. تبدیل موجکی با جدا نمودن سیگنال به فرکانس های بالا و پایین ویژگی های چند مقیاسی سیگنال را در اختیار داشته و دقت مدل را تا حد قابل توجهی بالا می برد. هم چنین این مدل ها نتایج مناسبی را در برآورد دبی اوج در بر داشته است.

کلیدواژه ها:

مدل ، سیستم های هوشمند ، شبکه عصبی ، موجک جریان