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

برای رعایت حریم خصوصی نام نگارنده پایان نامه درج نمی گردد

(در فایل دانلودی نام نویسنده موجود می باشد)
تکه هایی از متن پایان نامه به عنوان نمونه :
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 بعضی عوامل طبیعی و غیر طبیعی می‌باشد، تأثیر مهمی در مدیریت کیفی منابع آب اعمال می‌نماید. با در نظر داشتن نواقص موجود در داده‌های آماری می‌توان از نتایج مدل‌های شبیه‌سازی به مقصود کشف نواقص، اصلاح یا تکمیل داده‌ها بهره گیری نمود. در راستای مطالعه وضعیت کیفی یک منبع آبی، شاخص‌هایی برای کنترل کیفیت منابع آب در نظر گرفته می گردد. جهت شکل گیری 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 می باشد. در مدل‌های پیش‌بینی، با حفظ پیوستگی زمانی از ورودی‌های تأخیری ماهانه کل جامدات محلول برای تخمین شوری بهره گیری شده می باشد 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 بهره گیری قرار گرفته می باشد. 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 بهره گیری 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 در نظر داشتن 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     مطالعه 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     هدایت الکتریکی(EC). 15
1-5        کلیات پژوهش.. 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     علت های بهره گیری 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     علت های بهره گیری 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 بهره گیری از مجموعه داده‌های آزمایشی و داده‌های وارسی  58
4-5-6     محدودیت‌های ANFIS. 59
4-5-7     ساختار و چگونگی‌ی 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 بهره گیری. 65
5-1-2     مشخصات حوزه رودخانه و ایستگاه مورد مطالعه. 65
5-1-3     مطالعه 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 بهره گیری. 73
5-3-3-1             نرمال سازی داده‌ها. 74
5-3-4     انتخاب توابع آموزش شبکه. 74
5-3-5     ساختار شبکه عصبی مورد بهره گیری. 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-ایستگاه 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-ایستگاه 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 بشر‌ها 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 بهره گیری 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 ارتباط 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 مطالعه 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 بهره گیری در مدل‌سازی   76
شکل 5-10.                                                                                  فلوچارت شبیه‌سازی و پیش‌بینی تغییرات شوری با بهره گیری 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.                                                                                           چگونگی 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 کوشش‌های 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
 
 
 
 

این مطلب رو هم توصیه می کنم بخونین:   پایان نامه ارشد:ارزیابی شبکه های توزیع آب با استفاده از روش آنتروپی اطلاعات بر پایه عدم قطعیت های مکانیکی و هیدرولیکی

1-1         مقدمه

یکی از مهم‌ترین عوامل توسعه هر منطقه در دسترس بودن منابع آب با کیفیت می باشد. شناخت وضعیت آلودگی رودخانه‌ها سبب گردیده می باشد، برنامه‌ریزی‌های مدیریتی به مقصود کنترل کیفیت آب رودخانه‌ها در آینده از اهمیت بیشتری برخوردار ­گردد. پیش‌بینی کیفیت جریان رودخانه‌ها در بازه‌های زمانی آینده، با وجود تاثیرپذیری از بعضی عوامل طبیعی و غیر طبیعی، تأثیر مهمی در مدیریت کیفیت منابع آب اعمال می‌نماید.
با پیش‌بینی کردن کیفیت جریان رودخانه‌ها علاوه بر مدیریت بهره‌برداری منابع آب به مقصود تأمین نیاز، و اجازه‌ی برداشت‌های کشاورزی و صنعتی بیشتر در بازه‌های زمانی که رودخانه از آلودگی بیشتری برخوردار می باشد می‌توان با بهره گیری از مسیرهای انحرافی از ورود جریان‌های با بار آلودگی بالا که تأثیر نامطلوبی بر کیفیت آب مخازن دارد جلوگیری به اقدام آورد. همچنین به دلیل وجود نقص داده‌های آماری در داده‌های کمی و کیفی ایستگاه‌های هیدرومتری می‌توان از نتایج مدل‌ شبیه‌سازی پارامترهای کیفی به مقصود صحت، کشف نواقص، اصلاح یا تکمیل داده‌ها بهره گیری نمود. مدل‌های تجربی که بدون در نظر داشتن پارامترهای مورد بهره گیری، کوشش در ایجاد ارتباط‌ای بین داده‌های ورودی و خروجی دارند به مدل‌های هوشمند معروف 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 اظهار 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 مانند دبی، دما، رنگ و … به عنوان ورودی‌های مدل بهره گیری نمود. در واقع یکی از روش‌های پیش‌بینی فرایندهای طبیعی و غیر طبیعی مانند آلودگی، بهره گیری از سری‌های زمانی تاخیری همان پارامتر به عنوان پیش‌بینی کننده می‌باشد. 1- هدف اصلی در این پژوهش بهره گیری از مدل‌های هوشمند شبکه عصبی و فازی-عصبی در تخمین شوری یک گام زمانی آینده با مطالعه تاثیر سری های زمانی تاخیری ماهانه، در منطقه مورد مطالعه می‌باشد.
2- در ادامه مسئله شبیه‌سازی TDS با بهره گیری از غلظت یون‌های مختلف موجود در آب، PH و دبی به عنوان ورودی مدل‌ها مورد مطالعه و تحلیل قرار گرفته می باشد. 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 می باشد و نتایج مربوط به هر کدام از مدل‌ها مورد بحث و مطالعه قرار گرفته می باشد.
 

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 مقصود هشدار و بهره‌برداری زمان واقعی سیستم‌های منابع آب به کار می‌طریقه. پیش روی 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 می‌طریقه.
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. پیش روی 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 اندازه 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 به شمار می رود 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 می باشد:

  • 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، بهره گیری از پیش‌بینی کننده مناسب می‌باشد. بهره گیری 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 می‌طریقه 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 می باشد:
Q = f (X1 , X2 , X3 , … , Xn )
که در آن Xi، iامین متغیر شاخص از بین n متغیر می باشد و Q نیز کیفیت جریان یا پارامتر شوری جریان در دوره زمانی دلخواه پیش‌بینی می باشد.

1-2-1-2            تعیین مدل مناسب

مدل‌های مختلف آماری و مفهومی برای پیش‌بینی و مدل‌سازی متغیرهای هیدرولوژیکی مورد بهره گیری قرار می‌گیرند
[1] Hard Computing
[2] Soft  Computing
[3] Partial Truth
[4] Forecasting
(ممکن می باشد هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود اما در فایل دانلودی همه چیز مرتب و کامل می باشد)
تعداد صفحه :  119
قیمت : 14700 تومان

 

بلافاصله پس از پرداخت لینک دانلود فایل در اختیار شما قرار می گیرد

و در ضمن فایل خریداری شده به ایمیل شما ارسال می گردد.

پشتیبانی سایت :               serderehi@gmail.com

دسته‌ها: عمران