تعیین پروفیل رسوب گذاری در کف مخزن سد اکباتان با استفاده از شبکه های عصبی مصنـوعی

نوع مقاله: پژوهشی

نویسندگان

1 دانشجوی دوره دکترای آبیاری دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران

2 مدیر بخش برنامه ریزی وزارت نیـرو

3 استادیار گروه مهندسی آب دانشگاه آزاد اسلامی واحد کرمان

چکیده

در شبکه‌های عصبی مصنوعی (ANN) روش‌های موجود آموزش و واسنجی عصبی بر اساس ساختار پرسپترون چندلایه‌ای می باشد، لیکن این روش‌ها دارای مشکلات ناشی از عدم همگرایی در روش‌های یادگیری، عدم ثبات اوزان شبکه در شرایطی که طیف داده های ورودی دارای انحراف معیار بزرگ بوده و بالاخره نیاز به داده و اطلاعات فراوان جهت آموزش شبکه می باشند. برای غلبه بر مشکلات فوق در این تحقیق روش جدید ترکیبی شبکه عصبی مصنوعی – بهینه سازی ریاضی غیرخطی ارایه شده و شبکه عصبی مصنوعی که با استفاده از روش پس انتشار خطا طراحی گردیده بهعنوان ابزارقدرتمندی برای برآورد میزان رسوب مخزن سد اکباتان معرفی شده است. بر این اساس با استفاده از معادله بین دبی رسوب و جریان آب رودخانه آبشینه و آمار ایستگاه یالفان مدل طراحی شده ANN با گره های مختلف در لایه ها ورودی ها و لایه مخفی اجرا گردید. نتایج واسنجی نشان می دهد برای توزیع رسوب در مخزن سداکباتان بایستی از شش گره در لایه ورودی و هشت گره در لایه مخفی استفاده نمود. دراین تحقیق رابطه رضایت بخشی بین تعداد مولفه‌های لایه مخفی باتعدادداده های آموزش و تعداد مولفه‌های ورودی تعیین شده است.

کلیدواژه‌ها


عنوان مقاله [English]

Determination sediment profile of Ecbatan dam reservoir using artificial neural network

نویسندگان [English]

  • Mohsen Irandoust 1
  • Hedayet Fahmi 2
  • Omid Tayary 3
1 Ph. D. Student of hydrology of Islamic Azad University of Tehran-science and research branch
2 Manager of Programming Center of energy ministery
3 Assistant professor of hydrology department of Islamic Azad University-Kerman branch
چکیده [English]

In artificial neural networks (ANN), the available methods of neural learning and calibration is according to multi-layer structure of perceptron, but these methods have some problems results from lack of convergence in learning methods, lack of stability in network weights in conditions that there is great criteria deviation in input data spectrum and finally need for much data and information for network learning. A new compound method of artificial neural network-non linear mathematical optimum was introduced in this research to overcome this problem and artificial neural network designed by using error back propagation method was introduced as a strong device for estimating the rate of sediment in the reservoir of Ecbatan dam. According to that, the designed model by various knots in input and hidden layer was performed by using the equation of sediment discharge and water current and statistics of Yalfan station at Abshineh river. Calibration results showed that 6 knots at input layer and 8 knot at hidden layer should be used to distribute sediment in reservoir of Ecbatan dam.

کلیدواژه‌ها [English]

  • Artificial Neural Networks
  • Calibration
  • Error back propagation
  • Hidden layer
  • Sediment discharge
  • Sediment Transport

1-ایراندوست، م. 1384, بررسی فرایندوتوزیع رسوب درسدمخزنی اکباتان بااستفاده ازشبکه های عصبی مصنوعی. رساله دکتری. دانشگاه آزاد اسلامی – واحد علوم تحقیقات.

2-بارانی، غ. رهنما، م. شباک، ش. 1381، پیش بینی دبی اوج با استفاده از شبکه عصبی. ششمین سمینار بین المللی مهندسی رودخانه، دانشگاه شهید چمران اهواز.

3- دستوراتی، محمدتقی. 1383، شبیه سازی و پیش بینی دبی جریان با استفاده از شبکه های عصبی مصنوعی، اولین کنفرانس سراسری آبخیزداری و مدیریت منابع آب و خاک.

4- شفاعی بجستان، م. 1378, هیدرولیک رسوب. دانشگاه شهید چمران اهواز.

5- فهمی، هـ. 1378, مدل جامع هیدرولوژی با استفاده از شبکه های عصبی مصنوعی و بهینه سازی ریاضی. رساله دکتری. دانشگاه آزاد اسلامی – واحد علوم و تحقیقات.

6- گزارشات آماری سازمان تحقیقات منابع آب وزارت نیرو. دبی روزانه رودخانه آبشینه-نقشه های نقاط ساحلی ،هیدروگرافی وپروفیل کف مخزن سد اکباتان درسالهای 1369الی1374. 

7-محمدی، ک. میثاقی، ف. 1381، شبیه سازی بارش ـ رواناب و روندیابی در رودخانه با استفاده از شبکه عصبی مصنوعی. ششمین سمینار بین المللی مهندسی رودخانه. دانشگاه شهید چمران اهواز.

8- منهاج، م. 1379, مبانی شبکه های عصبی (هوش محاسباتی). دانشگاه صنعتی امیرکبیر.

 

9- Charalambous , C., 1992, “Conjugate Gradient algorithm for efficient training of artificial neural networks; IEE Proceedings. Vol. 139 ,No . 30 .

10-Enstein H.A. 1950, “The Bed Load Function for Sediment Transportation in Open Channel Flows”. Technical Bullet in 1926 ,U.S. Dept of Agriculture Soil Conservation Serv., Washington, D.C.

11-Fausett, Laurence, 1994, “Fundamentals of Neural Networks”, Prentice Hall International, Inc.

12-Freeman J.A., Skapura D.M, 1991, “Neural Networks, Algorithms, Applications, and programming techniques”, Addison-Wesley Publishing Company.

13-Gill, Murray, Wright, 1981, “Practiced optimization” Academic Press.

14-Kumor Jain, S., 2001, “Development of Integrated Sediment Rating Curve Using ANNs”. Journal of Hydraulic Engineering.