no-img
بازار فایل

پایان نامه برآورد فرسايش و رسوب حوضه ي رود ارس با استفاده از شبکه هاي عصبي مصنوعي | بازار فایل


بازار فایل

ادامه مطلب

پایان نامه برآورد فرسايش و رسوب حوضه ي رود ارس با استفاده از شبکه هاي عصبي مصنوعي
zip
۱۳۹۵-۰۴-۲۴
40000 تومان
0 فروش
40000 تومان – خرید

پایان نامه برآورد فرسايش و رسوب حوضه ي رود ارس با استفاده از شبکه هاي عصبي مصنوعي


فهرست مطالب

عنوان                                                                                                  صفحه

____________________________________________________________________________

چكيده……………………………………………………………………………………………………………… ب

فهرست مطالب…………………………………………………………………………………………………… ج

فهرست اشكال……………………………………………………………………………………………………. ح

فهرست جداول………………………………………………………………………………………………….. ي

فصل اول: كليات پژوهش

1-1- مقدمه……………………………………………………………………………………………………….. 2

1-2-شرح و بيان مسأله پژوهش……………………………………………………………………………… 3

1-3- پيشينه پژوهش……………………………………………………………………………………………. 5

1-3-1- تحقيقات انجام شده در خارج کشور………………………………………………………………. 5

1-3-2- تحقيقات انجام شده در داخل کشور………………………………………………………………. 9

1-4- فرضيات پژوهش………………………………………………………………………………………… 12

1-5- اهدف و ضرورت پژوهش…………………………………………………………………………… 12

 

فصل دوم: موقعيت و ويژگي­هاي طبيعي منطقه مورد مطالعه

2-1- مقدمه……………………………………………………………………………………………………… 15

2-2- موقعيت جغرافياي منطقه مطالعاتي………………………………………………………………….. 16

2-3- مشخصات حوضه آبريز دره رود……………………………………………………………………. 18

2-4- توپوگرافي منطقه مورد مطالعه……………………………………………………………………….. 20

2-5- شيب و جهت شيب حوضه مورد مطالعه………………………………………………………….. 22

عنوان                                                                                                  صفحه

________________________________________________________

2-6- بارش و ويژگي­هاي آن در ايستگاه مورد مطالعه…………………………………………………. 25

2-7- دبي و روسوب و ويژگي­هاي آنها در ايستگاه مورد مطالعه………………………………….. 27

2-8- خواص خاک­شناسي دشت مغان……………………………………………………………………… 29

2-9- جمع­بندي………………………………………………………………………………………………….. 31

فصل سوم: مواد و روش­ها

3-1- مقدمه……………………………………………………………………………………………………… 33

3-2-مدل شبکه­هاي عصبي مصنوعي……………………………………………………………………….. 35

3-2-1- انگيزه هاي بيولوژيکي……………………………………………………………………………….. 37

3-2-2-انواع شبكه­هاي عصبي مصنوعي ………………………………………………………………….. 42

   الفشبکه­هاي پيشرو يا پيشخور (FFN)…………………………………………………………… 43

بشبکه­هاي برگشتي پسخور (RNN)……………………………………………………………… 43

3-2-3-شبکه­هاي پرسپترون چند لايه(MLP)………………………………………………………….. 44

3-2-4- انتخاب تعداد داده­هاي يادگيري………………………………………………………………….. 50

3-2-5- استانداردسازي داده­ها………………………………………………………………………………. 51

3-2-6- تعداد لايه پنهان …………………………………………………………………………………….. 52

3-2-7- تعداد نرون­هاي لايه پنهان…………………………………………………………………………. 53

3-2-8- توابع محرک نرون­ها……………………………………………………………………………….. 53

3-2-9- روش­هاي آموزش در شبکه­هاي پرسپترون چند لايه………………………………………… 54

3-2-9-1- الگوريتم­هاي انتشار برگشتي…………………………………………………………………… 55

3-2-9-1-1- الگوريتم پس انتشار خطاي بيشترين شيب……………………………………………… 56

عنوان                                                                                                  صفحه

________________________________________________________

3-2-9-1-2- الگوريتم پس انتشار بيشترين شيب با قانون ممنتم……………………………………. 56

3-2-9-3-3- الگوريتم پس انتشار خطاي بيشترين شيب با قانون نرخ يادگيري متغير………….. 57

3-2-9-3-4- الگوريتم انتشار برگشتي بهبود پذير………………………………………………………. 57

3-2-9-2- الگوريتم گراديان مزدوج……………………………………………………………………….. 58

3-2-9-2-1- الگوريتم فلتچر- ريوز………………………………………………………………………. 58

3-2-9-2-2- الگوريتم پولاك- ريبر……………………………………………………………………….. 59

3-2-9-2-3- الگوريتم شروع مجدد پاول- بل………………………………………………………….. 59

3-2-9-2-4- الگوريتم گراديان مزدوج مقياس شده……………………………………………………. 60

3-2-9-3- الگوريتم­هاي شبه نيوتن………………………………………………………………………… 60

3-2-9-3-1- الگوريتم متقاطع تک گامي…………………………………………………………………. 60

3-2-9-4- الگوريتم لونبرگ – مارکوآرت………………………………………………………………… 61

3-2-10- پارامترهاي آموزشي……………………………………………………………………………….. 62

3-2-11- تعداد سيکل………………………………………………………………………………………… 62

3-2-12- طراحي شبکه­هاي عصبي در محيط برنامه­نويسي MATLAB…………………………. 63

3-2-12-1-ساختار شبکه…………………………………………………………………………………….. 64

– مدل نرون……………………………………………………………………………………………………. 64

– شبکه پيشخور………………………………………………………………………………………………. 65

3-2-12-2- طراحي شبکه پيشخور (newff)………………………………………………………….. 66

3-2-12-3- عدد دهي اوليه وزن­ها………………………………………………………………………… 67

3-2-12-4- شبيه­سازي شبکه………………………………………………………………………………… 67

عنوان                                                                                                  صفحه

________________________________________________________

3-2-12-5- آموزش شبکه…………………………………………………………………………………… 68

3-2-12-6- بهبود تعميم پذيري……………………………………………………………………………. 68

3-2-12-6-1- روش تنظيم………………………………………………………………………………….. 69

– تابع عملکرد اصلاح شده……………………………………………………………………………….. 69

– تنظيم اتوماتيک……………………………………………………………………………………………. 70

3-2-12-6-2- روش توقف زودرس……………………………………………………………………… 70

3-2-12-7- آناليز پس از آموزش………………………………………………………………………….. 71

3-2-12-8- ارزيابي عملکرد شبکه………………………………………………………………………… 72

3-4- جمع بندي………………………………………………………………………………………………… 75

فصل چهارم: نتايج و بحث

4-1- مقدمه ……………………………………………………………………………………………………… 77

4-2- روند تغييرات بارندگي بصورت ماهانه، سالانه و فصلي در……………………………………. 78

4-3- شبکه پرسپترون چند لايه (MLP)………………………………………………………………… 81

4-3-1- بهترين متغيرهاي ورودي………………………………………………………………………….. 82

4-3-2- بهترين الگوريتم آموزشي………………………………………………………………………….. 82

4-3-3- بهترين تعداد نرون­هاي پنهان…………………………………………………………………….. 83

4-3-4- بهترين تعداد لايه­هاي پنهان………………………………………………………………………. 83

43-5- تعداد سيکل………………………………………………………………………………………….. 83

4-3-6- مقدار خطاي هدف شبکه………………………………………………………………………….. 84

4-3-7- بهترين نوع تابع محرک……………………………………………………………………………. 84

عنوان                                                                                                  صفحه

________________________________________________________

4-4- نمودارهاي مرحله آموزش و آزمون شبکه عصبي مصنوعي……………………………………. 85

4-5- مقايسه داده­هاي مشاهداتي و پيش­بيني شده ميزان رسوب……………………………………… 87

4-6- مقايسه خطاي بين داده­هاي مشاهداتي و پيش­بيني شده رسوب………………………………. 89

4-7- ساختار شبکه و تعيين مؤثرترين متغيرهاي پيش­بيني کننده…………………………………….. 91

4-8- جمع­بندي………………………………………………………………………………………………….. 93

فصل پنجم: نتيجه­گيري و پيشنهادات

5-1- مقدمه……………………………………………………………………………………………………… 95

5-2- نتيجه­گيري…………………………………………………………………………………………………. 96

5-3- پيشنهادات……………………………………………………………………………………………… 100

منابع……………………………………………………………………………………………………………… 101

 

 

 

فهرست اشكال

عنوان                                                                                                  صفحه

________________________________________________________

 

شکل 2-1- موقعيت آبريز حوضه ارس در بين حوضه­هاي آبريز کشور……………………………. 17

شکل 2-2- موقعيت محدوده مورد مطالعه و حوضه آبريز دره رود…………………………………. 19

شکل 2-3- نقشه سطوح ارتفاعي و آبراهه حوضه آبريز دره رود……………………………………. 21

شکل 2-4- وضعيت شيب حوضه آبريز دره رود……………………………………………………….. 23

شکل 2-5- جهات شيب حوضه آبريز دره رود………………………………………………………….. 24

شکل 2-6- ميانگين بارش ماهانه برحسب ميليمتر در دوره مورد بررسي…………………………. 26

شکل 2-7- توزيع فصلي بارندگي ايستگاه باران­سنجي بران در دوره مورد بررسي……………….. 26

شکل 2-8- متوسط دبي ماهانه برحسب مترمعکب در ثانيه در دوره مورد بررسي………………… 28

شکل 2-9- متوسط رسوب ماهانه برحسب مترمعکب در ثانيه در دوره مورد بررسي…………….. 29

شکل 3-1- ساختار عادي يک شبکه عصبي مصنوعي…………………………………………………… 36

شکل3-2- مورفولوژي نرون منفرد…………………………………………………………………………. 41

شکل 3-3- انواع شبکه هاي عصبي مصنوعي…………………………………………………………….. 43

شکل 3-4- شبکه پرسپترون با سه لايه…………………………………………………………………….. 45

شکل 3-5- شبکه پرسپترون چند لايه …………………………………………………………………….. 45

شکل 3-6- شبکه پرسپترون با دو لايه پنهان……………………………………………………………… 49

شکل 3-7- مدل نرون…………………………………………………………………………………………. 63

شکل 3-8- توابع محرک رايج در شبکه­هاي عصبي مصنوعي…………………………………………. 64

شکل 3-9- شبکه پيشخور تک لايه………………………………………………………………………… 65

عنوان                                                                                                  صفحه

________________________________________________________

 

شکل 3-10- شبکه پيشخور دو لايه………………………………………………………………………… 65

شکل 3-11- نمونه نمودار حاصل از آناليز رگرسيوني بين خروجي­هاي شبکه و هدف…………. 71

شکل 4-1- تغييرات زماني سري ميانگين بارش ماهانه ……………………………………………….. 77

شکل 4-2- تغييرات زماني سري مجموع بارندگي …………………………………………………….. 78

شکل 4-3- تغييرات زماني سري بارش در فصل زمستان……………………………………………… 79

شکل 4-4- تغييرات زماني سري بارش در فصل بهار………………………………………………….. 79

شکل 4-5- تغييرات زماني سري بارش در فصل تابستان……………………………………………… 80

شکل 4-6- تغييرات زماني سري بارش در فصل پاييز…………………………………………………. 80

شکل 4-7- آناليز رگرسيوني بين خروجي­هاي شبکه و خروجي­هاي هدف……………………….. 85

شکل 4-8- خطاي مرحله آزمون در مدل نهايي بر حسب درصد……………………………………. 86

شکل 4-9- مقايسه رسوب مشاهداتي و پيش­بيني شده بوسيله مدل پرسپترون سه لايه………….. 87

شکل 4-10- معادله رگرسيوني بين رسوب مشاهداتي و پيش­بيني شده…………………………….. 87

شکل 4-11- مقايسه ميزان خطاي شبکه­هاي طراحي شده به تفکيک ماه بر حسب درصد……… 89

شکل 4-12- مقايسه ميزان خطاي شبکه­هاي طراحي شده به تفکيک سال بر حسب درصد……. 90

شکل 4-13- شماتيک شبکه طراحي شده………………………………………………………………… 91

شکل 4-14- اهميت متغيرهاي ورودي در پيش­بيني رسوب بر حسب درصد…………………….. 91

 

 

 

فهرست جداول

عنوان                                                                                                  صفحه

________________________________________________________

 

جدول 2-1- مشخصات ايستگاه­هاي منطقه مورد مطالعه………………………………………………. 20

جدول 2-2- مشخصات آماري بارش ايستگاه باران­سنجي بران بر حسب ميليمتر…………………. 25

جدول 3-1- مقادير قراردادي پارامترهاي آموزشي الگوريتم لونبرگ- مارکوارت………………… 61

جدول 4-1 پارامترهاي آموزشي بهينه براي پيش­بيني رسوب………………………………………….. 84

جدول 4-2- مقايسه رسوب مشاهداتي و پيش­بيني شده بوسيله مدل شبکه عصبي مصنوعي…… 88

جدول 4-3- ميزان خطا بر حسب درصد در شبکه­هاي طراحي شده بر حسب سال و ماه……… 89

جدول 5-1 نتايج حاصل از ارزيابي عملکرد مدل……………………………………………………….. 89

 


چکيده

در دهه­هاي اخير، مطالعات فرسايش خاک به علت پي آمدهاي نامطلوب زيست محيطي و اقتصادي، هدر رفت منابع خاک و اثرات سوء بر مديريت پايدار اراضي، اهميت قابل توجهي پيدا کرده است همچنين مسئله حفاظت از خاک و آب بعنوان يکي از اصولي ترين پايه هاي توسعه پايدار مطرح مي­باشد. اثرات منفي فرسايش و پيامدهاي ناشي از آن، نه تنها سبب کاهش توان توليدي و تخريب خصوصيات فيزيکي و شيمايي خاک مي گردد بلکه باعث مي شود در محل خروجي حوضه­هاي آبخيز رسوبات حاصل از فرسايش بر روي اراضي مرغوب کشاورزي و مراتع و منابع ذخيره آب مشاهده گردد در اين راستا براي شبيه سازي و کمي کردن کليه فرآيندهاي فرسايش مدل هاي مختلفي ارائه شده است که هر کدام از مدل ها با توجه به فاکتورها و عوامل مؤثر در فرسايش مورد استفاده قرار مي گيرد يکي از روش­هاي نوين در زمينه­ي پيش­بيني­ فرآيندهاي هيدرولوژيکي و ژئومورفولوژيکي شبكه­هاي عصبي مصنوعي از مؤلفه­هاي هوش مصنوعي است كه در جهت پياده­سازي ويژگي­هاي شگفت انگيز مغز انسان در يک سيستم مصنوعي مي­کوشند و ابزاري قدرتمند در زمينه­ي مدل­سازي و پيش­بيني پارامترهاي ژئومورفولوژي­­اند كه در اين پژوهش جهت پيش بيني فرسايش و رسوب حوضه­ي ارس استفاده شده است. بدين منظور با استفاده از اطلاعات دبي، رسوب و بارش ماهانه ايستگاه هيدرومتري بران واقع در حوضه آبريز دره رود از سرشاخه­هاي اصلي رود ارس در دشت مغان در طول دوره آماري 34 ساله (سال آبي 54-53 تا 87-86) استفاده شد ميزان دبي و بارش به عنوان ورودي­هاي شبکه عصبي مصنوعي و ميزان رسوب بعنوان خروجي شبکه در نظر گرفته شد. بدين منظور از امکانات و توابع موجود در محيط برنامه نويسي نرم افزارهاي MATLAB/2010 و SPSS/21 بهره گرفته شد. سپس به ارزيابي عملکرد مدل­ها، از طريق معيارهاي آماري از جمله ضريب تعيين، مجذور ميانگين مربعات خطا، ميانگين مربعات خطا، ميانگين مطلق خطا، ضريب همبستگي و همچنين ميانگين درصد نسبي خطا پرداخته شد. نتايج بدست آمده ضمن تأييد توانايي مدل شبکه عصبي مصنوعي نشان داد که انطباق خوبي مابين مقادير پيش بيني شده و داده­هاي مشاهداتي وجود دارد بطوري که ميانگين خطاي اين مدل با داده­هاي مشاهداتي برابر 9/0 درصد و ضريب همبستگي 99/0 است.

 

 مقدمه

پديده­هاي فرسايش و انتقال رسوب در رودخانه­ها يکي از مهمترين و پيچيده­ترين موضوعات مهندسي رودخانه مي­باشد. اين پديده­ها اثرات ويژه­اي روي شاخص هاي کيفي آب، کنش کف بستر و کناره هاي رودخانه داشته و همچنين خسارات جبران ناپذيري به طرح هاي عمراني آب وارد مي­نمايد. پيش­بيني دقيق ميزان رسوب رودخانه­ها اهميت قابل توجهي در مديريت منابع آب و طراحي و ساخت و همچنين برنامه ريزي در بهره برداري از سازه­هاي آبي دارد (دستوراني و همکاران، 1391: 61). به منظور اجراي برنامه هاي حفاظت خاك و كاهش رسوب زايي, همچنين محاسبه و طراحي دقيق حجم سد در احداث سدهاي مخزني، ضرورت دارد كه ميزان توليد رسوب در يك حوزه آبخيز, ارزيابي و برآورد گردد. براي تحقق اين موضوع, روش ها و مدل­هاي متفاوتي وجود دارند كه لازمه آنها وجود پارامترهاي موثر در آن ها و يا آمار و اطلاعات كافي مي­باشد. در عصر حاضر استفاده از شبكه­هاي عصبي مصنوعي مي تواند جايگزين مناسبي براي مدل­هاي ديگر باشد. اين سيستمها با الهام گيري از ساختار نروسيناپتيكي مغز بشر, داراي قابليت­هاي يادگيري, پردازش موازي و تعميم براي داده­هاي مشابه مي­باشند (اکبرپور و حامدافتخار، 1385: 1) که با پيشرفت­هاي چشمگير در زمينه­هاي مختلف هوش مصنوعي[1] که شبکه­هاي عصبي مصنوعي2 هم از آن جمله مي­باشند، توجه بسياري از محافل علمي جهان در زمينه­هاي مختلف علمي و مهندسي به اين مقوله معطوف شده است (اکبرپور و شکرالهي، 1383). در همين راستا جذابيت مدل­هاي شبکه عصبي مصنوعي به دليل توانايي آن­ها در حل مسائل غيرخطي، بسيار موازي، حجيم و داراي خطا مي­باشد (جين و همکاران3، 1996) لذا با توجه به اهميت پيش­بيني فرسايش و رسوب در زمينه هاي مختلف کشاورزي، طرح­هاي عمراني آب از جمله انباشت رسوبات در پشت سدها و کاهش حجم مفيد آنها، خسارت به سواحل و بنادر، تخريب سازه­ها، کاهش ظرفيت کانال­هاي آبياري و افزايش هزينه­ي نگهداري آنها و غيره در اين پ‍‍‍ژوهش سعي خواهد شد با استفاده از داده هاي دبي، بارش و رسوب به صورت ماهانه ميزان رسوب حوزه­ي رود ارس با استفاده از شبکه هاي عصبي مصنوعي برآورد و ميزان خطاي آن را با داده­هاي واقعي به منظور توانايي اين مدل ها در پيش بيني، مورد ارزيابي و بررسي قرار گيرد.

1- Artificial Intelligence

2- Artificial Neural Networks (ANN)

3- Jain et al



درباره نویسنده

حامد 42 نوشته در بازار فایل دارد . مشاهده تمام نوشته های

دیدگاه ها


دیدگاه‌ها بسته شده‌اند.