دانلود مقاله کاربرد شبکه‌های عصبی مصنوعی در مهندسی رودخانه

رسوبات انتقالی توسط رودخانه‌ها مشکلات زیادی خصوصاً جهت بهره‌برداری از سدها و سازه‌های آبی به وجود می‌آورند.

در ده‌های اخیر تحقیقات بزرگی برای درک مکانیسم انتقال رسوب در جریان‌های طبیعی صورت گرفته است.

تخلیه‌های صنعتی و پساب‌های کشاورزی به داخل سیستم آبزیان باعث می‌شود که رسوبات کف توسط موادسمی آلوده شوند.

به همین ترتیب وقتی رژیم رودخانه تغییر می‌نماید این رسوبات آلوده به پایین دست رودخانه انتقال می‌یابند.

تخمین دبی این رسوبات آلوده گام اول به سوی بهبود سازی کیفیت آب می‌باشد.

طبق گزارشات، درحال حاضر، بسیاری از سدهای کشورمان، با مشکل رسوب و پرشدن پیش از موعد مخازن مواجه هستند از جمله گزارشی که در مورد رسوبگذاری در سد سفید رود منتشر شده که نشان می‌دهد که در هفدهمین سال بهره برداری، رسوبات ورودی نزدیک به نیمی از حجم مخزن را اشغال کرده‌اند.

در حالی که مشاور این شد، عمر مفید آن را صد سال دانسته است.

همچنین سد شهید عباسپور که تخمین اولیه برای رسوب آن 2 میلیون مترمکعب در سال بوده، در حالی که نتایج هیدروگرافی در سال 1362 در مخزن این سد نشان می‌دهد که درطی 7 سال اول بهره برداری از این سد سالیانه بطور متوسط 38 میلیون متر مکعب وارد مخزن شده است.

بدیهی است که افزایش پیش‌بینی میزان رسوب وارده به دریاچه می‌تواند از این خسارات جلوگیری به عمل آورد و تحقیق این امر بستگی زیادی به روشهای محاسباتی و وجود سنجشهای مناسب رودخانه‌ای دارد.

تا کنون معادلات زیادی برای تخمین میزان رسوب انتقالی رسوب انتقالی توسط رودخانه‌ها ارائه شده است که همه آنها بر پایه قوانین تئوری دینامیک جریان و انتقال ذرات می‌باشد.

آلونسوو نیبلینگ و فوستر در سال 1982 و یانگ در 1996 از بین دیگران، روشهای متعدد قراردادی را مقایسه نمود برای محاسبه دبی کل رسوب.

بعضی از روشها که روش غیرمستقیم نامیده شدند، شامل توابع انتقالی بر اساس تابع بار بستر اینشتین هستند که بار رسوب کل از مجموع توابع بار معلق و بار بستر بدست می‌آید.

مانند روش اصلاح شده اینشتین توسط کلبی و همبری (1955) و توفالتی (1969).

روشهای مذکور این نکته را مدنظر قرار می‌دهند که هیدرودینامیک هر حالت انتقال یکسان نیست اگر چه تمایز آشکار بین در حالت معلق و بستر نیز به آسانی ممکن نیست، کاربرد روشهای گفته شده از نظر تئوری نسبتاً کامل است اما ممکن است به نظر دشوار برسد.

روشهای دیگر که روشهای مستقیم نامیده می‌شوند، بار رسوب کل را به طور مستقیم مشخص می‌کنند، بدون اختلاف قائل شدن بین دو حالت انتقال.

بعضی از این روشها از مفهوم نیروی جریان ناشی می‌شوند.

(کار جریان) مانند روش بگنولد (1966) و روش انگلند و هانسن (1967) که بستگی به مفهوم نیرو و قوانین شبیه‌سازی برای بدست آوردن تابع انتقال رسوب دارد.

روش آکرو وایت (1973) بر اساس مفهوم نیروی جریان، بگونولد و آنالیز ابعادی برای بیان تحرک و سرعت انتقال رسوب پایه‌ریزی شده‌اند.

یانگ در سالهای 1972 و 73 یک مدل تحلیل نیرویی بکار برد و به نیروی جریان موجود در واحد وزن سیال برای انتقال رسوب تأکید کرد.

ولیکانوف (1954) تابع انتقال را از تئوری نیروی ثقل استخراج کرد.

روشهای دیگر از توابع انتقال دیگری پیروی می‌کنند، مثلاً چنگ و سیمونزو ریچاردسون (1967) بار کل را از مجموع بار بستر و معلق محاسبه نمودند.

لارسن (1958) یک رابطه وابسته‌ای بین شرایط جریان و دبی رسوبی نتیجه توسعه داد.

شن و هانگ (1972) یک معادله رگرسیون براساس داده‌های آزمایشگاهی استخراج کردند.

برانلی (1981) نیز آنالیز رگرسیون را برای بدست آوردن تابع بکار گرفت.

ون راین (1984) بار کل را از مجموع بار بستر و متعلق محاسبه نمود.

کریم و کندی (1990) آنالیز چند رگرسیونی غیرخطی را برای استخراج یک رابطه بین سرعت جریان، دبی رسوب و هندسه شکل بستر و ضریب اصطکاک رودخانه‌های فرسایشی بکار گرفت.

این مدل‌های دینامیکی در تعریف پارامترهای مهم مسئله موفق بودند.

با این وجود برای بدست آوردن یک فرمول منفصل (شکل ثابت معادله)، بعضی پارمترهای مهم برای سهولت صرفنظر می‌شوند.

ثابت‌های غیرمعلوم برای پایداری جمع می‌شدند و بعضی شرایط مرزی برای بکارگیری فرض می‌شوندو نتیجتاً این سؤال مطرح می‌شود که آیا فرمول برای انحراف رودخانه‌ها به طور موفق بکار رود؟

اخیراً روش شبکه عصبی در شاخه‌های متعدد علمی بکار می‌رود.

روش گفته شده یک ابزار قوی برای بهبود سازی در هیدرولیک و محیط زیست با جزئیات کافی برای اهداف طراحی و مدیریت پروژه‌ها می‌باشد.

این تکنیک یک رشد ساختاری در کاربرد مهندسی رودخانه و منابع آب داشته است مانند مطالعه کرونانیتی و همکاران (199)، فلود و کارتام (1994) و گرابرت (1995) و مینس (1998) و سانچز و همکاران (1998) و یانگ و همکاران (1999).

به سبب کاربردهای موفق در مدل کردن رفتار سیستم غیرخطی در یک محدوده وسیع از نواحی، شبکه‌های عصبی مصنوعی در هیدرولوژی و هیدرولیک بکار رفته‌اند.

شبکه‌های عصبی مصنوعی در مدل بارش رواناب، تخمین جریان، شبیه‌سازی آلودگی جریان، شناسایی پارامتر و مدل کردن غیرخطی ورودی و خروجی سریهای زمانی بکار رفته‌اند.

یک شبکه عصبی سه لایه پیشخور توسط فرنچ و همکاران (1992) برای پیش‌بینی شدت بارش در مکان و زمان بکار رفت.

این فرد نتایج را با دو روش دیگر پیش‌بینی ترم کوتاه مقایسه نمود.

چنگ و تسانگ (1992) چندین روش رگرسیون و شبکه عصبی مصنوعی برای مدل کردن اکی والان برف آب مقایسه کردند و گزارش دادند که یک شبکه عصبی مصنوعی نتایج بهتری ارائه می‌دهد.

HSU و همکاران (1995) گزارش کردند که شبکه پیشخور چندین لایه بهترین ابزار برای تقریب توابع ورودی خروجی است.

آنها یک الگوریتم پیچیده جذر کمینه خطی را برای آموزش یک شبکه پیشخور سه لایه پیشنهاد دادند.

که نشان داد روش مدل شبکه عصبی مصنوعی ارائه بهتری از روابط بارش روانات برای یک حوضه با اندازه متوسط که با مدل آرمکس یا مدل رطوبت خاک ساکرامنتو مقایسه شد می‌دهد.

رامان و سانیل کومار (1996) شبکه عصبی مصنوعی را برای تولید جریان ورودی مصنوعی استفاده کردند و اجرای خود را با یک مدل چند متغیره سریهای زمان مقایسه نمودند.

منیس‌وهال (1996) یکسری از آزمایشات عددی درباره کاربرد یک شبکهء عصبی مصنوعی را به مدل کردن بارش روناب هدایت کردند و نتیجه گرفتند که شبکه‌های عصبی مصنوعی در شناسایی مفید روابط بین دبی و بارندگی‌های قبلی توانا می‌باشد.

پیشین Autecedent کریر و همکارانش در سال (1996) یک سیستم هیدروگراف رواناب مجازی براساس یک شبکه عصبی را طراحی کردند و یک ارتباط خوب بین داده‌های مشاهده شده و پیش‌بینی شده بدست آوردند.

رامان و چاندرا (1996) عملکرد مخزن یک سد را به دوروش برنامه‌نویسی دینامیکی (DP) و روند شبکه عصبی و (DP) و رویه دگرسیون چند خطی استخراج نمودند.

آنها نتیجه‌گیری کردند که روش (DP) و شبکه عصبی اجرای بهتری از روش دیگر ارائه می‌دهد.

تیر و مالایا و دئو (1998) یک شبکه عصبی مصنوعی برای تخمین مرحله وسن رودخانه بکار بردند و گزارش نمودند که مقادیر کمتر مرحله رودخانه با استفاده از این روش بهتر تخمین زده شدند.

داوسن و ویلبی (1998) یک شبکه عصبی مصنوعی برای تخمین جریان رودخانه بکار بردند و توانایی آنها در عهده داری با داده‌های ناقص و گم شده و یادگیری از پیش‌بینی شدن رایج از عهده برآمدن cope تصادفی در زمان واقعی را اشاره نمودند.

آنها همچنین به نیاز به رسیدگی دقیق به روابط بین طول دوره یادگیری و واقعیت هیدرولوژیکی تخمین شبکه عصبی مصنوعی تأکید نمودند.

علی و یرالتا در سال (1999) یک شبکه عصبی مصنوعی را در پیوستگی با یک الگوریتم ژنتیک برای مدل کردن حساسیت آبخوان پیچیده سطحی بکار گرفتند.

جین و همکارانش (1999) یک شبکه عصبی مصنوعی برای تخمین ورودی و بهره‌برداری مخزن بکار بردند.

ساجی کومار و تاندا و سوارا (1999) نتیجه گرفتند که یک شبکه عصبی مصنوعی مؤثرترین مدلهای جعبه سیاه آزمایش شده برای کالیبراسیون دوره‌های کوتاه 6 ساله برای مدل‌های بارش رواناب می‌باشد.

در مرور رشدی کاربردهای شبکه عصبی در بخش آب، یک مرور جامع از مفهوم و کاربرد آنها توسط کمیته اجرایی ASCE در کاربرد شبکه‌های عصبی مصنوعی در هیدرولوژی اجرا شد (ASCE 2000a,d).

این نتیجه می‌شود که ANN ها می‌توانند به خوبی مدلهای موجود انجام شوند.

با این وجود فیزیک پروسه اساسی هیدرولوژیکی محصور به سری وزنهای بهینه و مقادیر آستانه و نه قبلاً آشکار شده توسط استفاده کننده پس از آموزش می‌باشد.

در نتیجه شبکه‌های عصبی مصنوعی نمی‌توانند به عنوان داروی عمومی برای مسائل هیدرولوژیکی مورد ملاحظه قرار گیرند و نه جانشین سایر تکنیکهای مدل سازی شوند.

در مقاله ارائه شده توسط آقایان نگی و تنبرگ و هیرانو در سال (2002) برای تخمین غلظت بار رسوب در رودخانه‌ها با روش شبکه عصبی مصنوعی، یک روش شبکه عصبی در انتقال رسوب با بکارگیری الگورتیم پس انتشار خطا ارزیابی می‌کند.

هدف از تحقیق تخمین غلظت و دبی کل رسوب در جریان‌ها و رودخانه های طبیعی می‌باشد.

سعی و خطاهای زیادی برای طراحی ساختار مناسب شبکه انجام گرفته است.

مدل با داده‌های اندازه گیری شده صحرائی که متغیرهای انتخاب شده مدل به منظور تخمین مناسب غلظت رسوب تطبیق می‌شود.

وزن‌های شبکه متعادل می‌شوند و پارامترهای نتایج می‌دهد که روش شبکه عصبی غلظت رسوب را به خوبی قابل مقایسه با روشهای قراردادی تخمین می‌زند.

ساختار عمومی شبکه پیشنهادی : یک مدل شبکه عصبی مصنوعی یک شبکه از واحدهای منفرد است که هر کدام یک حافظه محلی دارند.

واحدها با حلقه‌هایی که داده‌های متفاوت را حمل می‌کنند به هم متصل هستند.

شبکه نیمه خطی پیشخور یک سیستم مؤثر برای یادگیری الگوهای یادگیری از یک مجموعه داده‌ها می‌باشد.

خروجی‌های گره ها (نرون‌ها) دریک لایه به گره های لایه دیگر توسط حلقه‌هایی که این خروجی را توسط فاکتورهای وزن‌دار تقویت یا ضعیف می‌کنند انتقال می‌یابند.

به استثنای گره‌های لایه ورودی، ورودی به هر گره (نرون) مجموع خروجی‌های وزن‌دار شده گره‌های لایه ماقبل می‌باشد.

هر گره همزمان با ورودی به گره و تابع فعالیت گره و مقدار آستانه گره فعال می‌شود.

الگورتیم پس انتشار خطا با بکارگیری روند پس انتشار، شبکه را برای همه , را برای همه در شبکه برای آن p خاص محاسبه می‌کند.

این روند برای همه الگوهای آموزشی تکرار می‌شود اصلاحات وزنها انجام گرفته خروجی ها دوباره ارزیابی می‌شوند.

اختلاف مقادیر خروجی واقعی و هدف مجدداً در ارزیابی تغییرات وزنها اثر می‌گذارد.

بعد از جایگزین‌های کامل همه الگوها در سری آموزشی، سری جدیدی از وزنها بدست می‌آید و خروجی‌های جدید دوباره دریک مدیریت پیشخور تا زمانی که به یک خطای قابل اغماض خاص برسد ارزیابی می‌شود.

شبکه نتیجتاً آماده برای تخمین الگو خروجی ناشناس است که مطابق الگوهای ورودی خاص خود باشند.

نرم افزار مورد استفاده دراین تحقیق به زبان فرترن بوده و در کامپیوتر pc اجرا شده است.

انتخاب پارامترهای دبی رسوب مناسبترین متغیرها در هیدرولیک رودخانه عبارتند از : دبی واحد عرض آب q، عمق آب h، شیب طولی S، تنش برشی بستر Z، شتاب ثقل g و سرعت سقوط ذرات wo.

برای ماسه طبیعی ‍Ps و P ثابت هستند.

پارامتر C­s برابر است با و پارامتر توسط سرعت برشی نشان داده می‌شود این پارامترها به صورت بی‌بعد خود در مطالعات قبلی ارائه شده‌اند.

جدول 1 مجموعه مؤثرترین پارامترهای بدون بعد را نشان می‌دهد که به صورت رایج برای تحقیق مسائل دبی رسوب بکار می‌روند.

انگلند و هانسن (1967) مفهوم نیروی جریان و قانون شبیه سازی را برای بدست آوردن معادله انتقال رسوب بکار گرفتند.

این معادله غلظت رسوب را با نیروی برشی اصطکاک (سطحی) و بدون بعد G=hs/(Gs-1).d50 مرتبط می‌کند که Gs جاذبه ویژه رسوب و Um,s نیروی واحد جریان یا سرعت استهلاک انرژی در واحد وزن آب را نشان می‌دهد.

که Um میانگین سرعت جریان است.

مرور روابط قراردادی ارائه شده برای دبی رسوب در انتخاب پارامترهای مهم مسئله کمک می‌نماید.

این مدل طوری طراحی شده است که پارامترهای اساسی قابل اندازه‌گیری را بکار گیرد.

برای اجتناب از بکارگیری هرگونه فرمول تجربی که ممکن است روی دقت نتایج اثر بگذارد.

عبارت نهایی ارائه شده برای غلظت بارکل عبارت است از : 1 - o,F,R,h/B) که F عدد فرود = و سرعت برشی عدد رینولند و h/B نسبت مقیاسی عرضی است.

بکارگیری داده‌ های صحرائی دبی رسوب اندازه‌گیری دبی رسوب در صحرا برای هر رودخانه‌ای کار ساده ای نیست.

عموماً رسوبات حمل شده به دو قسمت بار بستر که روی کف غلت می‌خورد و بار معلق که به صورت معلق حرکت می‌کند تقسیم می‌شود.

در مقاطع خاص، انقباض در عرض رودخانه به صورت طبیعی یا مصنوعی ممکن است وجود داشته باشد که باعث می‌گردد بارکل اندازه‌گیری شده در مقاطع انقباض به صورت یک ماده معلق باشد.

مشاهدات داده‌های موجود که شامل دبی‌کل رسوب است برای رودخانه نیوبرارا و رودخانه میدل لوپ، رودخانه هی و رودخانه های کوچک می‌باشد.

تعداد داده‌های مشاهده شده جمع شده از آن چهار رودخانه 161 می باشد.

سری داده‌ها به دو قسمت بر زده شد.

نصف آنها برای پروسه یادگیری استفاده شد و نیم دیگر برای ارزیابی محدوده داده‌های بکار رفته در جدول 2 آمده است.

اندازه‌گیری دبی رسوب در صحرا برای هر رودخانه‌ای کار ساده ای نیست.

جدول 2.

محدوده داده های بکار رفته در یادگیری و ارزیابی متغیرها محدوده متغیرها محدوده تنش برشی اصطکاکی 0.01-3.68 غدد فرود F 0.15-0.56 نسبت سرعت 4.1-15.0 عدد رینولند R 0.002-0.1 پارامتر تعلیق 0.13-2.39 نسبت‌عرض‌جریانU/B 0.002-0.1 شیب طولی S 0.00041-.00287 غلظت رسوب 10-3240Cs نسبت عمق آب h/d50 152-6242 ـ آموزش شبکه و ارزیابی نتایج شبکه با 8 پارامتر معادله (1) به عنوان الگوهای ورودی و Cs غلظت رسوب به عنوان الگوی خروجی ایجاد شد به عبارت دیگر لایه ورودی 8 نرون و خروجی یک نرون دارد.

بین این دولایه، لایه مخفی دیگری داریم که شامل تعداد مناسب نرون است.

شبکه با 81 داده آموزش داده شد.

تعداد نرون‌ها در لایه مخفی و پارامترهای با کالیبره کردن توسط اجراهای متعدد کامپیوتری روی سری داده‌ها مشخص شد.

نتایج جدید برای 81 سری داده بدست آمد.

لایه میانی 12 و پارامتر برابر 075/0 و پارامتر برابر 12 می‌باشد.

علاوه بر آن 80 الگو بدون خروجی هدف Cs برای تخمین غلظت داده شد.

شکل 4 ارزیابی بین مقادیر اندازه گیری شده و تخمین زده شده را برای این الگوهای جدید نشان می‌دهد.

ـ کالیبراسیون پارامترهای رسوب و دبی متغیرهای موجود رابطه (1) مؤثرترین پارامترها در دینامیک رسوب فرض می‌شوند.

گرچه آنالیز حساسیت برای بررسی اثر هر پارامتر روی نتایج مدل توصیه می‌شود.

بعضی پارامترها ممکن است هیچ اثر مهمی روی نتایج نداشته باشند.

به عبارت دیگر وجود پارامترها دیگر ممکن است پروسه یادگیری را مختل نماید.

آزمایشات زیادی روی حساسیت پارامترهای انتخاب شده انجام گرفت.

اولین اجرا با 8 پارامتر ورودی معادله (1) اجرا شد.

سپس هر پارامتر از گروه حذف شد.

یک آنالیز خطا برای تعیین دقت هر مورد انجام گرفت در نتیجه دو پارامتر بدون کاهش دقت حذف شدند: نسبت سرعت و شیب طولی S فرم جدید معادله 1: (2) میانگین نسبت اختلاف بین مقادیر اندازه‌گیری شده و بدست آمده 04/1 می‌باشد و انحراف معیار میانگین 42/0 شکل 5 یک ارزیابی مدل را با استفاده از پارامترهای معادله جدید (2) نشان می‌دهد.

مقایسه با مطالعات قبلی مقایسه بین مدل شبکه عصبی مصنوعی ارائه شده و هفت فرمول قبلی برای همان 80 داده انجام شد.

نسبت اختلاف Dr= برای مقایسه بکار می‌رود که Cc غلظت بارکل محاسبه شده و Cm میانگین است.

مقادیر میانگین و انحراف معیار عبارتند از : .

که در جدول شماره 3 آمده‌اند و همانطور که می‌بینیم مدل ارائه شده از سایر مدلها به داده‌های اندازه‌گیری شده نزدیکتر است.

جدول 3: دقت فرمولها برای غلظت رسوب کل ـ ارزیابی مدل با بکارگیری داده‌های رسوب معلق گروه دیگری از 486 داده‌ برای ارزیابی استفاده شد.

این داده‌ها از رودخانه‌های ریوگارد در سال (1969) و همان رودخانه در سال (1965) توسط نوروین رودخانه ساکرامنتو (1990)، می سی سی پی در (1965) و ریوگارد در سال (1964) توسط کالبرستون و داودی جمع آوری شدند.

دبی رسوب اندازه‌گیری شده آنها بار بستر را نشان می‌دهد.

غلظت باربستر Cb توسط فرمول میر ـ پیتر و مولر (1975) برای باربستر محاسبه می‌شود.

سپس غلظت کل Cs از مجموع بار معلق CsUs اندازه‌گیری شده و باربستر محاسبه شده Cb بدست می‌آید.

محدوده متغیرها در جدول نشان داده شده‌اند.

جدول 4ـ محدوده داده‌های دبی و رسوب برای رودخانه‌های تست شده مقایسه بین نتایج داده‌های رودخانه ریوگارد که توسط نوردین (1964) بدست آمد نشان می‌دهد که مدل ارائه شده شبکه عصبی مصنوعی و فرمول انگنر وهانسن بهترین نتایج را می‌دهد.

برای داده های همان رودخانه توسط همین شخص در سال (1965) دو مدل آکرو وایت (1973) و شن‌وهانگ (1972) بهترین مدلها هستند.

و این مدل نتایج خوبی نداشت زیرا مشاهدات داده‌های این رودخانه مقادیر غلظت بسیار بالاتری نسبت به داده های ریوگارد بدست آورده توسط کالبرستون داودی مدلهای شبکه عصبی و انگلند و هانس و شن هانگ بهترین بودند.

رودخانه‌های می سی سی پی و ساکرامنتو برخی منتهی متغیرهای خارج از محدوده کاربرد متغیرهای الگوهای آموزشی را داشتند در نتیجه غلظت رسوب آنها بایستی برون‌یابی شود پس نصف سر داده‌های رودخانه‌های می سی سی پی به عنوان الگوهای جدید آموزش برای تخمین غلظت رسوب نصف دیگر و رودخانه ساکارنتو بکار رفتند.

مقایسه بین متدهای دیگر نشان می‌دهد که اجرای مدل شبکه عصبی مصنوعی برای رودخانه‌های ریوگارد، ساکرامنتو و می سی سی پی بهترین است و از سه مدل بسیار خوب برای رودخانه دیگر می‌باشد.

اگر داده‌های الگوهای آموزشی با محدوده وسیعتری از متغیرها بکارروند، انتظار می‌رود دقت مدل بهبود یابد.

جدول 5 دقت ارزیابی متدهای داده‌های 5 رودخانه را نشان می‌دهد : جدول 5: دقت متدها برای داده‌های 5 رودخانه مختلف نتیجه‌گیری شبکه‌های عصبی مصنوعی مدلهای محاسباتی موازی می‌باشند که محاسبات هریک از محتویات مستقل از هم می‌باشد.

ویژگی اصلی این شبکه‌ها، طبیعت سازگار آنها می‌باشد که جانشین برنامه‌نویسی یا ساختن توابع در حل مسائل می‌شود.

این ویژگی مدلهای شبکه عصبی را در حالات کاربردی بسیار مورد توجه می‌نماید.

مدل شبکه عصبی مصنوعی بر سایر روشهای قراردادی که شامل آنالیز رگرسیون هستند به دلایل زیر برتری دارد : 1ـ شبکه ‌ها به عنوان سیستم‌های غیرخطی محاسباتی موازی، می‌تواند بهتر از فرمولهای دیگر واضح طبیعت تصادفی حرکت رسوب را درک کنند.

2ـ شبکه عصبی مصنوعی می‌تواند هر تعداد متغیر مؤثر را به عنوان پارامتر ورودی بدون ساده‌سازی همانطور که به طور رایج در مدلهای قراردادی انجام می‌شود بپذیرد.

3ـ بیشتر فرمولهای قبلی از داده‌های آزمایشگاهی و کمی از آنها از داده‌های صحرائی استخراج شده‌اند.

کاربرد آنها محدود به برخی شرایط می‌شود.

مدل شبکه عصبی مصنوعی فقط با استفاده از داده‌های صحرائی ساخته شده و هیچ محدودیتی در کاربرد ندارد.

تنها محدودیت این است که مدل نمی‌تواند غلظت رسوب را برای داده‌های خارج از محدوده داده‌های الگوریتم آموزشی به صورت دقیق تخمین بزند.

این مسئله به آسانی با تغذیه شبکه توسط محدود وسیع داده‌های آموزشی حل شود.

4ـ مهندسین سایت می‌توانند غلظت رسوب را با استفاده از ANN بدون دانش قبلی از تئوری انتقال رسوب محاسبه نمایند.

در مقاله دیگری تحت عنوان “کاربرد شبکه‌های عصبی مصنوعی جهت تخمین دبی رسوب رودخانه‌ها” که در مراجع نیز آمده است: مسأله تخمین رسوب با استفاده عصبی مصنوعی مدلسازی شده است.

شبکه‌های عصبی مصنوعی به علت دارا بودن بویژگی‌های خاصی قادرند که مقدار رسوب را بدون استفاده از فرمولها و روابط تابعی محاسبه نمالیند.

دراین زمینه تحقیقاتی نیز صورت گرفته است.

از جمله تخمین مقدار رسوب با استفاده از داده‌های آزمایشگاهی شامل اندازه رسوب، شیب بستر، دبی، عمق و سرعت جریان باتوجه به اینکه طبیعت رودخانه‌ها بسیار پیچیده بوده و نیز داده‌های اندازه‌گیری شده از روخانه‌ها معمولاً اندک بوده و عمدتاً به دبی آب محدود می‌گردد، این تحقیق گرچه دارای نتایج مثبتی می‌باشد ولی جنبهء کاربردی چندانی ندارد.

تحقیق دیگری نیز با استفاده از داده‌های بارش برای پیشگویی امکان وقوع و مقدار جریانهای واریزه‌ای انجام شده است که نتایج قابل توجهی از کاربرد شبکه‌های عصبی بدست می‌دهد.

این تحقیق صرفاً به جریان‌های غلیظ پرداخته است.

به همین منظور در تحقیق حاضر این امکان برررسی شده است تا مقدار رسوب انتقالی توسط رودخانه‌ها باتوجه به داده‌های اندازه‌گیری شده دبی آب و استفاده از شبکه عصبی پیشرو برآورد گردد.

مدل عصبی مورد استفاده ساختار مناسب و مورد استفاده برای مدل کردن مسأله تخمین رسوب، شبکه‌هایی با آرایش پیشرو می‌باشد که در این تحقیق از شبکه پرسپترون چند لایه (MLP) استفاده شده است.

شکل کلی این شبکه با یک ورودی دبی آب و یک خروجی دبی رسوب مطابق شکل است.

لایه ورودی شامل یک نرون است که دبی آب (qw) را دریافت می‌کند و لایه خروجی دبی رسوب (qs) را نتیجه می‌دهد.

در لایه مخفی نیز تعداد نرون‌های متغیری وجود دارد.

تابع فعالیت واحدها دراین لایه، تانژانت هیپربولیک می‌باشد در لایه خروجی برای افزایش سرعت شبکه از تابع فعالیت خطی استفاده شده است.

استفاده از تابع خطی، نه تنها سرعت یادگیری را چندین برابر افزایش می‌دهد بلکه می‌توان مقادیر خروجی را بدون تغییر به شبکه ارائه داد.

روشهای یادگیری شبکه MLP بر پایه‌ الگوریتم یادگیری پس انتشار خطا (BP) می‌باشد.

سه روش یادگیری برای این منظور وجود دارد که روش مارکورات ـ لانبرگ از روش‌های دیگر سریعتر بوده و شبکه حاضر با این الگوریتم آموزش داده شده است.

جهت آموزش شبکه از نرم‌افزار MATLAB استفاده شده است.

درلایه مخفی از تعداد ترونهای مختلفی استفاده شده است و تعداد بهینه آنها برای حداقل شدت خطا (مجموع مربعات خطا و یا میانگین خطا) باید با سعی و خطا تعیین گردد.

ابتدا شبکه با تعداد کمی نرون در لایه مخفی آموزش داده می‌شود و به تدریج تعداد نرونها افزایش داده شده و شبکه مجدداً آموزش داده می‌شود.

در هربار آموزش، چون انتخاب مقادیر اولیه وزن و آستانه بطور تصادفی می‌باشد و این مسئله موجب می‌گردد که شبکه در شرایط اولیه مختلفی قرار بگیرد، لذا هر ساختار با شرایط اولیه متفاوتی امتحان گردیده است تا از عدم افتادن در می‌نیمم‌های محلی و احراز می‌نیمم سراسری اطمینان حاصل گردد.

داده‌های ورودی : آمار دبی آب ـ دبی رسوب مورد استفاده مربوط به رودخانه جاجرود، ایستگاه لیتان می‌باشد.

این رودخانه در منطقه کوهستانی با شیب نسبتاً زیادی قرار گرفته است.

آمار موجود شامل 86 داده اندازه‌گیری شده دبی ـ رسوب می‌باشد که از سال 50 تا 65 آماربرداری شده است.

از این 86 داده مشاهداتی، 70 نمونه جهت آموزش و 16 نمونه جهت تست شبکه بطور تصادفی انتخاب شده است.

به عبارت دیگر 80/0 این داده‌ها جهت آموزش شبکه و 20/0 باقیمانده جهت تست بکار گرفته شده است.

داده‌های آزمایشی طوری انتخاب شده‌اند که دارای پراکندگی مناسبی در بین کل داده‌ها باشند و نقاط تک، ماکزیم و می‌نیمم در مجموعه تست قرار داده نشده است.

همچنین باتوجه به محدودیت توابع آستانه نرون‌ها، ارائه نمونه‌های آموزشی و آزمایشی به صورت داده‌های خام اندازه‌گیری شده باعث عدم دقت و کاهش سرعت شبکه می‌گردد.

به همین منظور داده‌ها نرمالیزه شده و هنگام ارائه به شبکه دارای مقادیری بین (1+ و 1ـ) هستند.

نتایج مدل عصبی و مقایسه آن با روش متداول تخمین رسوب شبکه MLP موجود به ازای تعداد لایه‌ها و نرونهای مختلفی آموزش داده شده و نتایج آن در جدول 6 درج شده است.

از این جدول مشخص می‌گردد که افزایش تعداد لایه ‌ها و نرون‌ها ت،ثیر چندانی در نتایج ندارد و شبکه توانسته است با ساختاری حداقل، رابطه بین دبی آب و دبی رسوب را فرا گیرد ولی در مورد داده‌های آزمایشی، شبکه با s-10 و نیز شبکه s1=s2=5 با نتایج تقریباً مشابه عملکرد بهتری نسبت به سایر شبکه‌ها داشته‌اند.

متوسط خطا در دوحالت یادگیری و تست، دراین شبکه (s=10) 9 و 211 بوده که این مقادیر نسبت به میانگین مقادیر رسوب اندک بوده و حدود 75/0 و 6/12 درصد می‌باشد.

جدول6: نتایج شبیه‌سازی مسئله تخمین رسوب رودخانه جاجرود، ایستگاه لتیان با شبکه عصبی در شکل 4 مقادیر داده‌های اندازه‌گیری رسوب و مقادیر برآورده شده توسط شبکه نمایش داده شده است.

این شکل به خوبی نشان می‌دهد که شبکه روند مناسبی را جهت یادگیری ورودی‌ها پیموده است.

از آنجا که شبکه برای رسیدن به حداقل خطا در مجموعه تست آموزش داده شده است، درجات بالاتر این منحنی موجب کاهش خطای یادگیری و تخمین بهتری از این نقاط می‌گردد ولی باعث افزایش خطای تعمیم دهی می‌شود.

همچنین مشاهده می‌شود در ناحیه‌ای که کمبود اطلاعات وجود دارد، شبکه به سمت داده‌های موجود متمایل شده و این امر باعث کاهش خطا گردیده است.

از طرفی منحنی توانی برازش داده شده بر داده‌های آماری دبی ـ رسوب رودخانه جاجرود، ایستگاه لیتان به شرح زیر است : qS=1/798 qw 1/345 این معادله که در دستگاه لگاریتمی به شکل یک خط راست می‌باشد همانطور که از شکل 3 می‌بینیم در بخش انتهایی شکل پاسخ شبکه در بالای خط قرار گرفته است.

در حقیقت در ناحیه‌ای که کمبود اطلاعات وجود دارد، شبکه بدون هیچ محدودیتی و بهتر از رابطه بالا به سمت داده‌های موجود متمایل شده است.

نکته قابل توجه دراین مسأله، تحمل پذیری خطای شبکه نسبت به کمبود اطلاعات در فضای ورودی است.

به علت انعطاف پذیری شبکه در قبال پراکندگی داده‌ها، کمی اطلاعات در منطقه‌ای از فضای ورودی باعث ایجاد خطای زیادی در یادگیری آن ناحیه نمی‌گردد.

در حالی که در برازش توانی (بعلت محدویت‌های یک منحنی)، معادله بدست آمده معرف منحنی عبوری از اکثریت داده‌هاست و چنانچه در یک ناحیه‌ای داده‌ها کم باشند، رابطه فوق‌الذکر نسبت به شبکه، تخمین نادرستی از آن نقاط بدست می‌دهد.

به همین علت است که در شکل اکثر نقاطی که مصرف دبی بالا هستند و آمار کمی از آنها موجود است در فاصله زیادی از خط قرار گرفته‌اند.

در جدول 7 نیز نتایج این دو روش با یکدیگر مقایسه شده‌اند.

درصد بهبود نتایج شبکه نسبت به روش متداول، درحالت آموزش تعمیم به ترتیب 71 و 73 درصد بوده است که بهبود قابل توجهی را نشان می‌دهد.

میانگین مقادیر برآورده شده رابطه توانی برای مجموعه آموزشی 859 و برای مجموعه تست 1435 می‌باشد در حالیکه این مقادیر برای تخمین حاصل از شبکه 9 و 211 بوده است.

به بیان دیگر خطای حاصل از رابطه توانی فوق برای این دو مجموعه به ترتیب 95 و 8/6 برابر نتایج شبکه عصبی بوده است.

علت این تفاوت باتوجه شکل 4 مربوط به نمونه‌های رسوب بالا می‌باشد که رابطه توانی در پیش‌بینی این نقاط موفق عمل نکرده است.

در حالیکه شبکه قادر است تا مقادیر بزرگ رسوب را که در زمانهای سیلابی به وقوع می‌پیوندد، به خوبی قرار گرفته و پیش‌بینی کند.

از آنجا که عمده آورد رسوب رودخانه‌ها در زمانهای سیلابی می‌باشد، این امر مزیت بسیار مهمی در استفاده از شبکه‌های عصبی مصنوعی بشمار می‌رود.

نتیجه اینکه توانایی مهم شبکه‌های عصبی این است که با استفاده از یکسری محدود از داده‌های معلوم آموزش داده شده و از این مثالها، ارتباط بین داده‌های ورودی را بدون اینکه نیاز به معرفی توابع و روابط موجود بین آنها باشد، کشف می‌کند.

با انتخاب یک ساختار مناسب مدلسازی و آموزش آن و همچنین انتخاب صحیح داده‌های آموزشی و تست و نرمالیزه کردن آنها، مشاهده شد که شبکه MLP با یک و یا دولایه مخفی و با تعداد نرونهای تقریباً کم، نتایج خوبی برای حل مسئله تخمین رسوب با استفاده از آمار دبی آب ـ دبی رسوب رودخانه‌ها بدست می‌دهد که موفقیت آن در برآورد رسوب نسبت به روش متداول در زمانهای سیلابی که عمده آورد رسوب رودخانه‌ها را تشکیل می‌دهند کاملاً آشکار است.

در مجموع باید اظهار داشت که شبکه عصبی مصنوعی، روش مؤثر در تخمین مقدار رسوب انتقالی توسط رودخانه‌ها می‌باشد که می‌تواند جهت تعیین دبی رسوب بکار گرفته شود.

تعیین ابعاد حفره آبشستگی پایین دست سرریزهای ریزشی آزاد با استفاده از روش شبکه عصبی مصنوعی : ـ یکی از مسائل مهم مهندسی هیدرولیک تعیین ابعاد حفره آبشستگی پایین دست سرریزها از جمله سرریزهای ریزشی آزاد است.

در سرریزهای ریزشی آزاد، آب بطور آزاد و به صورت آبشاری و تقریباً به شکل قائم از تاج سرریز فرو می‌ریزد.

ریزش جریان از روی سرریزهای ریزشی آزاد و برخورد آن با بستر قابل فرسایش در پایین دست سازه مذکور باعث آبشستگی و ایجاد حوضچه استغراق می‌شود.

مهمترین پارامترهای تعیین کننده ابعاد حفره آبشستگی عبارتند از : حداکثر عمق آبشستگی از سطح پایاب (d)، فاصله محل وقوع حداکثر عمق آبشستگی از سرریز (lS)، فاصله انتهای حفره آبشستگی از سرریز (hC) که اغلب خود از متغیرهای دیگری که مهمترین آنها عبارتند از : دبی بر واحد عرض (q)، ارتفاع ریزش جت (H)، عمق پایاب (Yt)، قطر متوسط مصالح (d50) و ضریب انحراف هندسی مصالح ) تأثیر می‌پذیرند.

شکل آبشستگی پایین دست سرریزهای ریزشی آزاد را به طور نمادین نشان می‌دهد.

تعیین رابطه میان این دو دسته پارامترها و یافتن تابع حاکم بر فضای نگاشتی آنها از مهمترین موضوعات پژوهش در مهندسی آب است که در آن سعی می‌شود با یافتن رابطه‌ای یاضی میان پارامترهای آبشستگی به عنوان متغیر وابسته و پارامترهای به عنوان متغیر مستقل، نحوه تأثیر وتأثر این پارامترها را برهم یافت.

معمولاً همه روشهای مختلفی که تاکنون برای حل این مسئله به کار رفته‌اند به دلیل ساده سازیهای مهندسی به توابعی تقریبی دست می‌یابند گرچه امکان پاسخگویی به مسئله را دارا هستند لیکن به دلیل مشکل بودن روند به دست آوردن تابع معرف رابطه از یکسو و استفاده از تجربیات افراد خبره (در ساده سازیهای اعمالی) از دیگر سو امکان اعمال آن در همه مسائل وجود ندارد .

در موضوع مورد بحث هدف آن است که نگاشتی بین متغیرهای وابسته (شامل متغیرهای: حداکثر عمق آبشستگی، فاصله محل وقوع حداکثر عمق آبشستگی از سرریز، فاصله انتهای حفره آبشستگی از سرریز، حداکثر عمق حفره آبشستگی و ارتفاع تپه حاصل از مواد شسته شده) و متغیرهای مستقل (ارتفاع ریزش جت، عمق پایاب، قطر متوسط مصالح و ضریب انحراف هندسی مصالح) بیابیم.

روش مرسوم حل مسأله انجام دسته‌ای از آزمایشهای بررسی اثر دانه بندی مصالح بر میزان آبشستگی پایین دست سرریزهای ریزشی آزاد و اندازه‌گیری متغیرهای Lc,Ws,Hs,Gc,D به ازاء مقادیر مختلف متغیرهای Yt,dso,H,q است، پس از این مرحله سعی می‌شود تابعی چند متغیره (با چهار متغیر مستقل و پنج متغیر وابسته) بر ایت داده‌ها برازانده شود تا با کمک آن بتوان رفتار ابعاد حفره را براساس متغیرهای مربوط به سرریز پیش‌بینی نمود.

بدست آوردن چنین تابعی منوط به ساده سازی‌های مهندسی و استفاده از دانش خبره متخصصان بوده و به همین دلیل نیز همواره توأم با مقداری تقریب است.

در شیوه شبکه عصبی مصنوعی برای پیش‌بینی رفتار حفره، نیازی به یافتن ریاضی معرف ارتباط متغیرها با هم نیست، بلکه شبکه با استفاده از روابط درونی موجود میان داده‌ها، نگاشت موجود میان آنها را شناسایی کرده و در وزنهای خود حفظ می‌کند.

چنین حالتی را یادگیری می‌نامیم.

دراین صورت با اعمال داده‌های جدید، شبکه می‌تواند یادگیری خود را به الگوی جدید تعمیم داده وپاسخ مناسبی را در قبال شرایط جدید از خود نشان دهد.

باتوجه به ویژگی نگاشت پذیری شبکه پس انتشار خطا، شبکه عصبی مورد استفاده را به این شکل در نظر می‌گیریم.

ورودیها و خروجیهای این شبکه در شکل 3 نشان داده شده است که x=[x1,…,x4]T بردار ورودی شبکه (به ترتیب متغیرهای (q,dso,H.Yt و D=[d1,…d5]T بردار خروجی شبکه (به ترتیب متغیرهای (D,Ls,Ws,Lc,Hc است.

حال با طراحی لایه مخفی این شبکه و انجام روال آموزش می‌توان از آن برای پیش‌بینی رفتار تابع مورد نظر بهره جست.

ـ الگوریتم آموزش شبکه عصبی مصنوعی برای آموزش شبکه لازم است تعدادی الگوی آموزش شده در اختیار باشد.

به این منظور داده‌ها از آزمایشات روی یک فلوم آزمایشگاهی به طول 18 متر و عرض 1.5 متر و ارتفاع 115 سانتیمتر انجام شده است و در انتهایی‌ترین بخش فلوم یک سرریز مستطیلی لبه تیز به منظور اندازه‌گیری دبی جریان نصب شده است.

نتایج این آزمایش در قالب 22 الگوی آموز شده آمده.

شایان ذکر اینکه به دلیل تأثیر زمان بر ابعاد حفره آبشستگی، سعی شده همه اندازه‌گیرها پس از رسیدن به حالت پایدار انجام گیرد.