این مقاله با فرمت Word بوده و قابل ویرایش است همچنین آماده پرینت می باشد
موضوع : مقاله کاربرد شبکه های عصبی مصنوعی در مهندسی رودخانه
رسوبات انتقالي توسط رودخانه‌ها مشكلات زيادي خصوصاً جهت بهره‌برداري از سدها و سازه‌هاي آبي به وجود مي‌آورند در ده‌هاي اخير تحقيقات بزرگي براي درك مكانيسم انتقال رسوب در جريان‌هاي طبيعي صورت گرفته است تخليه‌هاي صنعتي و پساب‌هاي كشاورزي به داخل سيستم آبزيان باعث مي‌شود كه رسوبات كف توسط موادسمي آلوده شوند به همين ترتيب وقتي رژيم رودخانه تغيير مي‌نمايد اين رسوبات آلوده به پايين دست رودخانه انتقال مي‌يابند تخمين دبي اين رسوبات آلوده گام اول به سوي بهبود سازي كيفيت آب مي‌باشد طبق گزارشات درحال حاضر بسياري از سدهاي كشورمان با مشكل رسوب و پرشدن پيش از موعد مخازن مواجه هستند از جمله گزارشي كه در مورد رسوبگذاري در سد سفيد رود منتشر شده كه نشان مي‌دهد كه در هفدهمين سال بهره برداري رسوبات ورودي نزديك به نيمي از حجم مخزن را اشغال كرده‌اند در حالي كه مشاور اين شد عمر مفيد آن را صد سال دانسته است همچنين سد شهيد عباسپور كه تخمين اوليه براي رسوب آن 2 ميليون مترمكعب در سال بوده در حالي كه نتايج هيدروگرافي در سال 1362 در مخزن اين سد نشان مي‌دهد كه درطي 7 سال اول بهره برداري از اين سد ساليانه بطور متوسط 38 ميليون متر مكعب وارد مخزن شده است بديهي است كه افزايش پيش‌بيني ميزان رسوب وارده به درياچه مي‌تواند از اين خسارات جلوگيري به عمل آورد و تحقيق اين امر بستگي زيادي به روشهاي محاسباتي و وجود سنجشهاي مناسب رودخانه‌اي دارد
تا كنون معادلات زيادي براي تخمين ميزان رسوب انتقالي رسوب انتقالي توسط رودخانه‌ها ارائه شده است كه همه آنها بر پايه قوانين تئوري ديناميك جريان و انتقال ذرات مي‌باشد آلونسوو نيبلينگ و فوستر در سال 1982 و يانگ در 1996 از بين ديگران روشهاي متعدد قراردادي را مقايسه نمود براي محاسبه دبي كل رسوب بعضي از روشها كه روش غيرمستقيم ناميده شدند شامل توابع انتقالي بر اساس تابع بار بستر اينشتين هستند كه بار رسوب كل از مجموع توابع بار معلق و بار بستر بدست مي‌آيد مانند روش اصلاح شده اينشتين توسط كلبي و همبري 1955 و توفالتي 1969 روشهاي مذكور اين نكته را مدنظر قرار مي‌دهند كه هيدروديناميك هر حالت انتقال يكسان نيست اگر چه تمايز آشكار بين در حالت معلق و بستر نيز به آساني ممكن نيست كاربرد روشهاي گفته شده از نظر تئوري نسبتاً كامل است اما ممكن است به نظر دشوار برسد روشهاي ديگر كه روشهاي مستقيم ناميده مي‌شوند بار رسوب كل را به طور مستقيم مشخص مي‌كنند بدون اختلاف قائل شدن بين دو حالت انتقال بعضي از اين روشها از مفهوم نيروي جريان ناشي مي‌شوند كار جريان مانند روش بگنولد 1966 و روش انگلند و هانسن 1967 كه بستگي به مفهوم نيرو و قوانين شبيه‌سازي براي بدست آوردن تابع انتقال رسوب دارد روش آكرو وايت 1973 بر اساس مفهوم نيروي جريان بگونولد و آناليز ابعادي براي بيان تحرك و سرعت انتقال رسوب پايه‌ريزي شده‌اند يانگ در سالهاي 1972 و 73 يك مدل تحليل نيرويي بكار برد و به نيروي جريان موجود در واحد وزن سيال براي انتقال رسوب تأكيد كرد وليكانوف 1954 تابع انتقال را از تئوري نيروي ثقل استخراج كرد روشهاي ديگر از توابع انتقال ديگري پيروي مي‌كنند مثلاً چنگ و سيمونزو ريچاردسون 1967 بار كل را از مجموع بار بستر و معلق محاسبه نمودند لارسن 1958 يك رابطه وابسته‌اي بين شرايط جريان و دبي رسوبي نتيجه توسعه داد شن و هانگ 1972 يك معادله رگرسيون براساس داده‌هاي آزمايشگاهي استخراج كردند
برانلي 1981 نيز آناليز رگرسيون را براي بدست آوردن تابع بكار گرفت ون راين 1984 بار كل را از مجموع بار بستر و متعلق محاسبه نمود كريم و كندي 1990 آناليز چند رگرسيوني غيرخطي را براي استخراج يك رابطه بين سرعت جريان دبي رسوب و هندسه شكل بستر و ضريب اصطكاك رودخانه‌هاي فرسايشي بكار گرفت اين مدل‌هاي ديناميكي در تعريف پارامترهاي مهم مسئله موفق بودند با اين وجود براي بدست آوردن يك فرمول منفصل شكل ثابت معادله بعضي پارمترهاي مهم براي سهولت صرفنظر مي‌شوند ثابت‌هاي غيرمعلوم براي پايداري جمع مي‌شدند و بعضي شرايط مرزي براي بكارگيري فرض مي‌شوندو نتيجتاً اين سؤال مطرح مي‌شود كه آيا فرمول براي انحراف رودخانه‌ها به طور موفق بكار رود اخيراً روش شبكة عصبي در شاخه‌هاي متعدد علمي بكار مي‌رود روش گفته شده يك ابزار قوي براي بهبود سازي در هيدروليك و محيط زيست با جزئيات كافي براي اهداف طراحي و مديريت پروژه‌ها مي‌باشد اين تكنيك يك رشد ساختاري در كاربرد مهندسي رودخانه و منابع آب داشته است به سبب كاربردهاي موفق در مدل كردن رفتار سيستم غيرخطي در يك محدوده وسيع از نواحي شبكه‌هاي عصبي مصنوعي در هيدرولوژي و هيدروليك بكار رفته‌اند شبكه‌هاي عصبي مصنوعي در مدل بارش رواناب تخمين جريان شبيه‌سازي آلودگي جريان شناسايي پارامتر و مدل كردن غيرخطي ورودي و خروجي سريهاي زماني بكار رفته‌اند يك شبكه عصبي سه لايه پيشخور توسط فرنچ و همكاران 1992 براي پيش‌بيني شدت بارش در مكان و زمان بكار رفت اين فرد نتايج را با دو روش ديگر پيش‌بيني ترم كوتاه مقايسه نمود چنگ و تسانگ 1992 چندين روش رگرسيون و شبكة عصبي مصنوعي براي مدل كردن اكي والان برف آب مقايسه كردند و گزارش دادند كه يك شبكه عصبي مصنوعي نتايج بهتري ارائه مي‌دهد HSU و همكاران 1995 گزارش كردند كه شبكه پيشخور چندين لايه بهترين ابزار براي تقريب توابع ورودي خروجي است آنها يك الگوريتم پيچيده جذر كمينه خطي را براي آموزش يك شبكه پيشخور سه لايه پيشنهاد دادند كه نشان داد روش مدل شبكه عصبي مصنوعي ارائه بهتري از روابط بارش روانات براي يك حوضه با اندازه متوسط كه با مدل آرمكس يا مدل رطوبت خاك ساكرامنتو مقايسه شد مي‌دهد يك مدل شبكة عصبي مصنوعي يك شبكه از واحدهاي منفرد است كه هر كدام يك حافظه محلي دارند واحدها با حلقه‌هايي كه داده‌هاي متفاوت را حمل مي‌كنند به هم متصل هستند شبكه نيمه خطي پيشخور يك سيستم مؤثر براي يادگيري الگوهاي يادگيري از يك مجموعه داده‌ها مي‌باشد
خروجي‌هاي گره ها نرون‌ها دريك لايه به گره هاي لايه ديگر توسط حلقه‌هايي كه اين خروجي را توسط فاكتورهاي وزن‌دار تقويت يا ضعيف مي‌كنند انتقال مي‌يابند به استثناي گره‌هاي لايه ورودي ورودي به هر گره نرون مجموع خروجي‌هاي وزن‌دار شده گره‌هاي لايه ماقبل مي‌باشد هر گره همزمان با ورودي به گره و تابع فعاليت گره و مقدار آستانه گره فعال مي‌شود
الگورتيم پس انتشار خطا با بكارگيري روند پس انتشار شبكه را براي همه , را براي همه در شبكه براي آن p خاص محاسبه مي‌كند اين روند براي همة الگوهاي آموزشي تكرار مي‌شود اصلاحات وزنها انجام گرفته خروجي ها دوباره ارزيابي مي‌شوند اختلاف مقادير خروجي واقعي و هدف مجدداً در ارزيابي تغييرات وزنها اثر مي‌گذارد بعد از جايگزين‌هاي كامل همه الگوها در سري آموزشي سري جديدي از وزنها بدست مي‌آيد و خروجي‌هاي جديد دوباره دريك مديريت پيشخور تا زماني كه به يك خطاي قابل اغماض خاص برسد ارزيابي مي‌شود شبكه نتيجتاً آماده براي تخمين الگو خروجي ناشناس است كه مطابق الگوهاي ورودي خاص خود باشند نرم افزار مورد استفاده دراين تحقيق به زبان فرترن بوده و در كامپيوتر pc اجرا شده است
انتخاب پارامترهاي دبي رسوب مناسبترين متغيرها در هيدروليك رودخانه عبارتند از دبي واحد عرض آب q عمق آب h شيب طولي S تنش برشي بستر Z شتاب ثقل g و سرعت سقوط ذرات wo براي ماسه طبيعي Ps و P ثابت هستند پارامتر C¬s برابر است با و پارامتر توسط سرعت برشي نشان داده مي‌شود اين پارامترها به صورت بي‌بعد خود در مطالعات قبلي ارائه شده‌اند جدول 1 مجموعه مؤثرترين پارامترهاي بدون بعد را نشان مي‌دهد كه به صورت رايج براي تحقيق مسائل دبي رسوب بكار مي‌روند انگلند و هانسن 1967 مفهوم نيروي جريان و قانون شبيه سازي را براي بدست آوردن معادله انتقال رسوب بكار گرفتند اين معادله غلظت رسوب را با نيروي برشي اصطكاك سطحي و بدون بعد G=hs/Gs1d50 مرتبط مي‌كند كه Gs جاذبه ويژه رسوب و Um,s نيروي واحد جريان يا سرعت استهلاك انرژي در واحد وزن آب را نشان مي‌دهد كه Um ميانگين سرعت جريان است مرور روابط قراردادي ارائه شده براي دبي رسوب در انتخاب پارامترهاي مهم مسئله كمك مي‌نمايد اين مدل طوري طراحي شده است كه پارامترهاي اساسي قابل اندازه‌گيري را بكار گيرد براي اجتناب از بكارگيري هرگونه فرمول تجربي كه ممكن است روي دقت نتايج اثر بگذارد
كاربرد شبكه‌هاي عصبي مصنوعي
كاربرد شبكه‌هاي عصبي مصنوعي در مهندسي رودخانه
ساختار عمومي شبكه پيشنهادي
انتخاب پارامترهاي دبي رسوب
بكارگيري داده‌هاي صحرائي دبي رسوب
آموزش شبكه و ارزيابي نتايج
كاليبراسيون پارامترهاي رسوب و دبي
ارزيابي مدل با بكارگيري داده‌هاي رسوب معلق
نتايج مدل عصبي و مقايسه آن با روش متداول تخمين رسوب
تعيين ابعاد حفره آبشستگي پايين دست سرريزهاي ريزشي آزاد با استفاده از روش شبكه عصبي مصنوعي
الگوريتم آموزش شبكة عصبي مصنوعي
استفاده از شبكة عصبي در رونديابي متمركز سيلاب