پایان نامه بررسی کاربرد روش شبکه عصبی مصنوعی در برآورد رواناب سالانه حوزههای آبخیز (مطالعه موردی: حوزه آبخیز کل، استان فارس) |
فهرست مطالب
عنوان صفحه
چکیده 1
فصل اول: مقدمه و کلیات
- مقدمه 3
1-2- اهمیت و ضرورت انجام تحقیق 5
1-3- اهداف تحقیق(کلی و ویژه) 7
1-4- متغیر های تحقیق 7
1-5- فرضیه ها یا پرسش های تحقیق 7
1-6- هوش مصنوعی و هوش انسانی 7
1- 7- معرفی شبکه عصبی مصنوعی 9
1-8- تاریخچه شبکه عصبی مصنوعی 10
1-9- چرا از شبکه های عصبی استفاده می کنیم؟ 12
1-10- شبکه های عصبی در مقایسه با کامپیوترهای سنتی 13
1-11- نورون مصنوعی 14
1-12- ساختار شبکه عصبی 15
1-13- کاربرد شبکه های عصبی 16
1-14- معایب شبکه های عصبی 17
1-14-1- تئوری شبکه های عصبی مصنوعی 18
1-14-2- پارامترها و مراحل طراحی ANN 20
1-14-3- شبکه های عصبی مصنوعی پیشرو 23
1-14-4- الگوریتم پس انتشار خطا با مومنتوم 24
1-15- معماری شبکه عصبی 28
1-16- شبکه عصبی چه قابلیتهائی دارد؟ 29
1-17- مفاهیم پایه در شبکه های عصبی مصنوعی 30
1-18- انواع شبکه های عصبی 30
1-18-1- شبكه عصبی پرسپترون ساده 30
1-18-2- شبكه عصبی پرسپترون چند لایه) MLP ( 30
1-19- شبکه های عصبی بیولوژیکی 32
فصل دوم: پیشینه تحقیق
2-1- زمینه تاریخی 36
2-2- مطالعات داخل کشور 37
2-3- مطالعات خارج کشور 48
فصل سوم: مواد و روش ها
3-1- معرفی ایستگاهای مورد مطالعه 54
3-2- مراحل روش تحقیق 55
3-3- روش انجام کار 56
3-4- استفاده از شبکه عصبی مصنوعی در برآورد رواناب سالانه 57
3-5- معرفی مدل Qnet2000 59
فصل چهارم: نتایج
4-1- معرفی ایستگاهای مورد مطالعه 67
4-1-1- بند بهمن 68
4-1-1-1- نتایج پردازش داده ها در حالت پیش فرض خود نرم افزار 68
4-1-4- پردازش داده ها با توابع محرک مختلف 84
فصل پنجم : بحث و نتیجه گیری
5-1- ایستگاه بند بهمن 86
5-2- ایستگاه چمریز 87
5-3- ایستگاه درب قلعه 88
5-4- جمع بندی 89
5-5- پیشنهادات 90
منابع و مآخذ
منابع فارسی 92
منابع لاتین 94
پیشنهادات 95
چکیده انگلیسی 97
فهرست جداول
عنوان صفحه
جدول 3-1- مشخصات ایستگاه های مورد مطالعه در استان فارس 54
جدول 4-1- مشخصات ایستگاه های مورد مطالعه در استان فارس 67
جدول 2- 4ساختار های استفاده شده در برنامه Qnet 2000 69
جدول4-3 مقادیر R2و RMSE مربوط به مدل M1در تکرارهای مختلف و توابع تحریک مختلف 69
جدول4-4 مقادیر R2و RMSE مربوط به مدل M2در تکرارهای مختلف و توابع تحریک مختلف 70
جدول4-5 مقادیر R2و RMSE مربوط به مدل M3در تکرارهای مختلف و توابع تحریک مختلف 71
جدول4-6 مقادیر R2و RMSE مربوط به مدل M1در تکرارهای مختلف و توابع تحریک مختلف 74
جدول4-7 مقادیر R2و RMSE مربوط به مدل M2در تکرارهای مختلف و توابع تحریک مختلف 75
جدول4-8 مقادیر R2و RMSE مربوط به مدل M3در تکرارهای مختلف و توابع تحریک مختلف 75
جدول4-9 مقادیر R2و RMSE مربوط به مدل M1در تکرارهای مختلف و توابع تحریک مختلف 78
جدول4-10 مقادیر R2و RMSE مربوط به مدل M2در تکرارهای مختلف و توابع تحریکمختلف79
جدول4-11 مقادیر R2و RMSE مربوط به مدل M3در تکرارهای مختلف و توابع تحریکمختلف79
جدول4-12- ویژگی های مربوط به ساختار بهینه شبکه عصبی برای سایر خوزه های آبخیز 83
فهرست شکل ها
عنوان صفحه
شکل:1-1- شبکه عصبی 16
شکل 1-2- یک نرون منفرد با یک تابع عملگر Sشکل 18
شکل1-3- عملکرد یک شبکه عصبی 19
شکل1-4- ساختار یک شبکه عصبی مصنوعی 3 لایه 19
شکل 1-5- الگوریتم شبیه سازی با شبکه عصبی مصنوعی 22
شکل 1-6- ساختار یک شبکه عصبی مصنوعی پیشرو 23
شکل 1-7- شبکه عصبی پس انتشار BP با یک لایه پنهان 25
شکل 1-8- تابع سیگموئید باینری با محدوده تغییرات بین 0 و 1 25
شکل 1-9- تابع سیگموئید دو قطبی با محدوده تغییرات بین 1- و1 26
شكل 1- 10- ساختار پرسپترون چندلایه با نرونهای پنهان tansigو نرونهای خروجی با تابع خطی31
شکل 1-11- شبکه عصبی زیستی 34
شکل1-11- تناظر بین شبکه عصبی زیستی و شبکه عصبی مصنوعی 34
شکل3-1- موقعیت ایستگاه های مورد مطالعه بر روی نقشه استان فارس 55
شکل 3-2- اولین پنجره پس از شروع مدل 59
شکل3-3- شروع شبکه آموزش 60
شکل 3-4- طراحی و تعریف شبکه 60
شکل 3-5- تابع استفاده شده 61
شکل3-6- تعریف فایل های ورودی و خروجی 62
شکل 3-7- تعریف پارامتر های مختلف شبکه عصبی 63
شکل 3-8- نمایش روند محاسبات 65
شکل 4-1- نمایش روند محاسبات با تابع گوسین 72
شکل 4-2- نمودار تغییرات خطا بر حسب تعداد تکرار در مرحله آموزش با تابع گوسین 72
شکل 4-3- همبستگی دبی مشاهداتی و پیش بینی در مرحله آموزش با تابع گوسین با
ساختار1-2-3 73
شکل 4-4- مقادیر دبی مشاهداتی و پیش بینی شده در مرحله آموزش با تابع گوسین 73
شکل 4-5- نمایش روند محاسبات با تابع گوسین 76
شکل 4-6- نمودار تغییرات خطا بر حسب تعداد تکرار در مرحله آموزش با تابع گوسین 77
شکل 4-7- همبستگی دبی مشاهداتی و پیش بینی در مرحله آموزش با تابع گوسین با
ساختار1-2-3 77
شکل 4-8- مقادیر دبی مشاهداتی و پیش بینی شده در مرحله آموزش با تابع گوسین 78
شکل 4-9- نمایش روند محاسبات با تابع گوسین 81
شکل 4-10- نمودار تغییرات خطا بر حسب تعداد تکرار در مرحله آموزش با تابع گوسین 81
شکل 4-11- همبستگی دبی مشاهداتی و پیش بینی در مرحله آموزش با تابع گوسین با
ساختار1-2- 3 82
شکل 4-12- مقادیر دبی مشاهداتی و پیش بینی شده در مرحله آموزش با تابع گوسین 82
چکیده:
اهمیت و جایگاه آب در زندگی بشر به ویژه در دنیای پیشرفته و پر جمعیت كنونی بر كسی پوشیده نیست و زندگی صنعتی و شهری مصرف سرانه آب را نسبت به شرایط زندگی سنتی چندین برابر نموده است. امروزه این منبع طبیعی به عنوان یكی از تعیین كننده ترین پارامترهای برنامه ریزی های اجتماعی و حتی سیاسی مطرح است، تا آنجا كه نزاع آینده كشور های مختلف را حول حقوق آبی هر كشور پیش بینی می كنند و این امر در كشورهایی كه از منابع آبی مشترك بهره می برند بیشتر به چشم می آید. در این راستا، هدف از انجام این تحقیق تعیین کارایی روش شبکه عصبی مصنوعی در برآورد رواناب در 3 ایستگاه بند بهمن، چمریز و درب قلعه، واقع در استان فارس می باشد. روش گردآوری اطلاعات در این تحقیق به صورت میدانی و کتابخانه ای می باشد. برآورد میزان رواناب رودخانه های قره آغاج ، کر و رود بال، که مربوط به هر 3 ایستگاه مذکور می باشند، توسط داده های اندازه گیری چون میزان بارش، دما و تبخیر انجام گرفت که نتایج حاصله از این قرار بودند که، با به کارگیری روش شبکه عصبی مصنوعی از نوع پرسپترون چند لایه و تابع تحریک از نوع گوسین- گوسین ، با 3 نرون در لایه ورودی،2 نرون در لایه پنهانی و 1 نرون در لایه خروجی ، در اینجا، قانون یادگیری پس انتشار خطا با 50000 تکرار توانست روال آموزش را به نحو مطلوب طی کند و خطای متوسط شبکه را به حد قابل قبولی رساند و فرضیه H1 در خصوص ایستگاه های نامبرده را به اثبات رساند.
کلمات کلیدی: بارش، دمای هوا، رواناب، ایستگاه بند بهمن، مدل شبکه عصبی
فصل اول
مقدمه و کلیات
- مقدمه:
تعیین رابطه بین بارش رواناب برای یک منطقه آبی یكی از مهمترین مسائل مربوط به هیدرولوژیست ها و مهندسین است اطلاعات دراین زمینه برای اهداف طراحی ومدیریتی مهندسان لازم است. این رابطه، رابطه ای غیر خطی و پیچیده است .موارد استفاده این پیش بینی هارامی توان به مدیریت صحیح طرحهای كشاورزی، سیستم های هشداردهنده سیل و بهره برداری از مخازن سدها نسبت داد. بارش- رواناب یکی از پیچیده ترین فرایندهای هیدرولوژیکی است. برای سالیان زیاد، هیدرولوژیست ها در شناخت چگونگی تبدیل بارش به رواناب برای پیش بینی سیلاب بوده اند. از اهداف این شناخت میتوان به ذخیرة آب، کنترل سیلاب، آبیاری، زهکشی، کیفیت آب، تولید انرژی، مراکز تفریحی پرورش ماهی و گسترش حیات وحش و… اشاره کرد. تعداد پارامترها، عدم پایداری مشخصه های حوضه های آبریز و مدلهای بارش بیش از پیش مسئله را پیچیده می کند. استفاده از مدل هاى آمارى، هیدرولیکى و هیدرولوژیکى سابقه طولانى در بحث مدل سازی بارش- رواناب داشته است. با توجه به مشکلات و نقاط ضعفی که در مدل های مفهومی و آماری وجود دارد، نیاز به مدلی که با پارامترهای ورودی و خروجی بتواند عملیات نگاشت را انجام دهد، ضروری به نظر میرسد. طى دهۀ اخیر مدل ریاضى غیرخطی شبکه هاى عصبى مصنوعی( (ANN به ابزارهاى پیشبینى افزوده شده و تحقیقات متنوعی در زمینۀ مدل سازی بارش – رواناب با بهره گرفتن از این ابزار صورت گرفته است. شبكه های عصبی مصنوعی ابزار قدرتمندی هستند كه با تقلید ساده از سیستم عصبی بیولوژیک انسان ساخته شده است. شبكه های عصبی به دو نوع شبكه عصبی مصنوعی و طبیعی تقسیم می شوند .تحقیقات در زمینه شبكه های عصبی زمانی شروع شد كه مغز به عنوان یک سیستم دینامیكی با ساختار موازی و پردازشگری كاملآ مغایر با پردازشگرهای متداول شناخته شد. نگرش نوین به مغز انسان كه منتهی به بیان شبكه عصبی مصنوعی شد در اوایل قرن بیستم و توسط شخصی به نام سگال مطرح گردید. همچنین نرون به عنوان كوچكترین واحد پردازشگر دادهها در یک شبكه عصبی مصنوعی، اساس عملكرد و رفتار آن را تشكیل میدهد. از تركیب چند نرون سلول ساخته میشود كه بسته به نوع سلول وظیفه خاصی را در شبكه عهدهدار است.
فرم در حال بارگذاری ...
[یکشنبه 1399-09-30] [ 10:27:00 ب.ظ ]
|