۲۳۰۷۵پ
per
آنالیز حساسیت و بررسی اثرات متقابل متغیرهای موثر بر مدلسازی فرآیند تبخیر با استفاده از شبکه های عصبی مصنوعی در نواحی مختلف اقلیمی
Sensitivity analysis and investigating on the two-way interactions of the affective variables on the evaporation process modeling by ANNs in the different climatic regimes
/فرناز مومنی
: مهندسی عمران
، ۱۳۹۸
، راشدی
۱۲۶ص
چاپی - الکترونیکی
کارشناسی ارشد
عمران گرایش مهندسی ومدیریت منابع آب
۱۳۹۸/۱۱/۲۰
تبریز
پیش بینی دقیق تبخیر از طریق آگاهی از ماهیت این پدیده در خصوص میزان اهمیت متغیرهای موثر بر آن در یک ناحیه اقلیمی و همچنین نواحی اقلیمی مختلف یکی از مهم‌صترین ارکان در مدیرت منابع آب و اتخاذ تدابیر مناسب جهت جلوگیری از بروز خشکسالیها است .یکی از روش های مرسوم در برآورد تبخیر استفاده از روش‌صهای شبیه سازی با تکیه بر مدلهای هوش محاسباتی می‌صباشد .در این میان شبکه‌صهای عصبی مصنوعی (ANNs) یک ابزار مناسب برای مدل‌صسازی فرایندهای پیچیده هیدرولوژیکی نظیر تبخیر و یادگیری رابطه ناشناخته و پیچیده بین یک فضای ورودی به فضای خروجی می‌صباشند ANNs .نظیر سایر مدلهای مبتنی بر هوش محاسباتی) برصخلاف مدل‌صهای ریاضی( ، به‌خودی-خود اثر پارامترهای ورودی به خروجی و چگونگی بدست آمدن خروجی را توضیح نمی‌صدهند .روش‌صهای مختلف تحلیل حساسیت مرتبه اول (SA۱) مبتنی بر ANNsبه اختصارSA۱ - ANNکه برای تفسیر روابط درون شبکه ها از نظر میزان و جهت تاثیر ورودی ها روی خروجی شبکه بکار می‌صروند علاوه بر ناپایداری در رسیدن به میزان بزرگی هر متغیر ورودی ، منجر به رتبه بندی یکسانی نیز نمی‌صشوند .در این تحقیق میزان پایداری دو روش PaD براساس قانون مشتقات زنجیره‌صای و الگوریتم گارسون مبتنی بر وزن‌صهای درون شبکه‌صای CW به عنوان دو روش مرسومSA۱ - ANNدر تفسیر روابط درون شبکه‌صای در مدلسازی تبخیر ایستگاه‌صهای اصفهان و اهواز استفاده شده است .از آنجایی که کارایی مدل‌صهای داده محور مانند ANNsبشدت وابسته به کیفیت داده‌صهای ورودی است لذا در ادامه با این فرض که بخشی از ناپایداری روش‌صهایSA - ANNمی‌صتواند ناشی از نویز سری‌صهای زمانی ورودی باشد، پایداری دو روش تحلیل حساسیت یاد شده در ترکیب مدلهای ANNsبا روش حذف نویز موجکی) (WD) به عنوان یک روش پیش پردازش داده‌صای (یا به اختصارSA۱ - WDNNبا استفاده از مفهوم شبکه های گروهی (NNC) مورد بررسی قرار گرفته است .در مرحله بعدی بهترین روش تحلیل حساسیت از نظر میزان پایدرای و تفکیک مناسب متغیرها انتخاب و نتایح آن ارائه شده است .از آنجایی که در فرایندصهای هیدولوژیکی روابط نتیجه شرایط غیرخطی و چندصمتغیره‌صاند و پدیده‌صها به ندرت وابسته به یک متغیر واحد هستند لذا بخش دیگر از تحقیق حاضر در پی استخراج الگوهای متقابلWay Interaction Patterns) -(Twoبین جفت متغیرهای ورودی در تاثیر بر میزان تبخیر با استفاده از مفهوم آنالیز حساسیت مرتبه دوم (SA۲) می‌صباشد .برای این منظور از قانون مشتقات زنجیره‌صای مرتبه دوم PaD۲ استفاده خواهد شد .در نهایت و در بخش پایانی تحقیق حاضر به مدلسازی تبخیر با استفاده از الگوهای متقابل بدست آمده از مرحله دوم پرداخته شده است .متغیرهای ورودی استفاده شده در مدلهای ANNs برای مدلسازی تبخیر و تحلیل حساسیت مرتبه اول و دوم این فرایند عبارتند از : تشعشع خورشیدی، دمای هوا، رطوبت نسبی، سرعت باد، فشار ستون هوا در ایستگاه و تبخیر تشتک که در مقیاس روزانه از ایستگاه های سینوپتیک اصفهان و اهواز برداشته شده‌صاند .با توجه به نتایج حاصل پیش پردازش سری‌صهای زمانی ورودی وابسته به میزان نویز موجود می‌صتواند موجب پایداری نتایج آنالیز حساسیت شود و یا کم تاثیر باشد .در این باره نتایج در ایستگاه اهواز بسیار مشهود بود ولی در ایستگاه اصفهان نتایج از نظر پایداری روش‌صها درSA۱ - ANNوSA۱ - WDNNتقریبا یکسان می نمود . در ایستگاه اصفهان نتایج حاصل ازSA۱ - WDNNمنجر به تفکیک‌صپذیری بیشتر متغیرها را یکدیگر گردید .نتایج حاصل از اندرکنش جفت متغیرهای ورودی در پاره‌صای از موارد منجر به ایجاد الگوهای پیچیده گردید .مهم ترین اندرکنش ها در ایستگاه اهواز بین متغیر تبخیر روز قبل با متغیرهای دما، رطوبت، فشار و تشعشع ایجاد شدند و در ایستگاه اصفهان بین متغیر تبخیر روز قبل با دما، باد و تشعشع و بین متغیر دما و باد ایجاد شدند
Accurate prediction of evaporation through awareness of the nature of this phenomenon about the importance of variables affecting it in a climatic region as well as different climatic regions is one of the most important pillars in water resources management and adopting appropriate measures to prevent droughts. One of the common methods in estimating evaporation is using simulation methods based on computational intelligence models. Artificial neural networks are a useful tool for modeling complex hydrological processes such as evaporation and learning of an unknown and complex relationship between an input space to an output space. ANNs, like other models of computational intelligence (unlike mathematical models), do not by themselves explain the effect of input parameters on output and how output is obtained. Different ANNs-based first-order (SA1) sensitivity analysis methods, abbreviated as ANN-SA1, are used to interpret the relationships of networks in terms of the extent and direction of inputs on the network output, in addition to the instability to reach the magnitude of each input variable, It doesn't even lead to the same ranking. In this research, the validity of two PaD methods based on the derivative chain law and algorithm and Garson algorithm based on CW intra-network weights have been used as two conventional ANN-SA1 methods in interpreting intra-network relationships in modeling evaporation of Isfahan and Ahvaz stations. Since the performance of data-driven models such as ANNs is strongly dependent on the quality of the input data, then, assuming that part of the instability of the ANN-SA method may be due to the noise of the input time series, we use two sensitivity analysis methods. The combination of ANNs models with Wavelet Noise Deletion (WD) (as a data pre-processing method) or WDNN-SA1 has been investigated using the concept of group networks (NNC). In the next step, the best method of sensitivity analysis is selected from the preliminary and appropriate separation of the variables and its results are presented. Since in hydrological processes the relationships are the result of nonlinear and multivariate conditions and the phenomena are rarely dependent on a single variable, the other part of the present study seeks to derive two-way interaction patterns between pairs of input variables in impact. On the evaporation rate using the second-order sensitivity analysis (SA2) concept. For this purpose, the second-order derivative law of PaD2 will be used. In the final part of the present study, the evaporation modeling using two-way interactions models obtained from the second stage is discussed. The input variables used in ANNs models for modeling evaporation and first- and second-order sensitivity analysis of this process are: solar radiation, air temperature, relative humidity, wind speed, station air column pressure, and pan evaporation. These data are selected in daily scale from Isfahan and Ahvaz synoptic stations. According to the results of pre-processing the input time series depending on the amount of noise available, the results of the sensitivity analysis can be stable or have little impact. In this case the results were very evident at Ahvaz station but at Isfahan station the results were almost identical in ANN-SA1 WDNN-SA1. At Isfahan station, the results of WDNN-SA1 resulted in greater separability of the variables. The results of the two-way interaction of input variables in some cases resulted in complex patterns. The most important interactions occurred at Ahvaz station between the variables of evaporation the day before with the variables of temperature, humidity, pressure and radiation
Sensitivity analysis and investigating on the two-way interactions of the affective variables on the evaporation process modeling by ANNs in the different climatic regimes
مومنی، فرناز
Momeni, Farnaz
سیاه و سفید
نمایه‌سازی قبلی
