- کالیبراسیون روش های مختلف با استفاده از یک ضریب در رودخانه ها
یکی از قابلیت های نرم‌افزار STE عملیات کالیبراسیون روش های فعال برای رودخانه مورد بررسی است.
در این عملیات، نرم‌افزار با محاسبه و ارائه یک ضریب با استفاده از الگوریتم ژنتیک برای هر روش در یک رودخانه آن روش را در رودخانه مورد بررسی کالیبره کرده و نتایج آن روش را بهبود می بخشد.
همانطور که در تصویر بالا ملاحظه میکنید پس از انجام این عملیات در داده های رودخانه بابل رود تمامی روش ها در این رودخانه قادر به محاسبه مقادیر بار رسوبی در بازه نسبت ناجوری نیم تا دو با درصد فراوانی قابل توجهی شده اند به عبارتی روش هایی مانند روش بگنولد که عملا از دقت محاسباتی کافی در این رودخانه برخوردار نبوده است تنها با ضرب یک ضریب در نتایج روش مذکور قدرت محاسباتی این روش در رنج نسبت ناجوری نیم تا دو از صفر به 69.23 درصد و نسبت ناجوری متوسط این روش از عدد 212 به 1/05 رسیده است !
- ساخت روابط جدید با استفاده از تلفیق روابط برآورد رسوب
در قابلیتی دیگر با هدف محاسبه دقیق تر بار رسوبی در رودخانه مورد مطالعه، نرم‌افزار STE قادر است با استفاده از سه ، دو و یا حتی یک روش انتخاب شده توسط کاربر و یا انتخاب بهترین روش ها با استفاده از الگوریتم ژنتیک رابطه ای قوی تر و دقیق تر در محاسبات بار رسوبی رودخانه خود بدست آورد. این رابطه به شکل
Qs=a(m1^(p1 ) × m2^(p2 ) × m3^(p3 ) ) بوده و ضرایب و توان های این رابطه توسط الگوریتم هوشمند ژنتیک محاسبه و به کاربر نمایش داده خواهد شد.
برای این عملیات تنظیماتی قرار داده شده است تا داده‌های مورد استفاده برای ساخت معادله تلفیقی، بر‌حسب نوع و قطر دانه بندی فیلتر شده و معادله برای دانه‌بندی خاصی محاسبه شود. در قسمت دوم تنظیمات نیز محدوده ضرایب و توان‌های محاسباتی توسط الگوریتم ژنتیک قابل تنظیم خواهد بود.
معادلات محاسبه شده توسط این نرم افزار قابل ذخیره سازی در فایل پروژه خواهد بود و برای این نرم افزار محدودیتی از نظر تعداد ذخیره معادلات تعریف نشده است. معادلات ذخیره شده توسط نرم افزار STE در صفحات محاسبات رسوبی قابل فراخوانی هستند و کاربر میتواند برای تخمین ها و محاسبات رسوبی از آن ها استفاده کند.
- استفاده از بهینه ساز هوشمند الگوریتم ژنتیک
الگوریتم ژنتیک با استفاده از زبان VB.NET در نرم افزار STE کد نویسی شده که برای کاربران این نرم افزار سرعت و دقت کافی جهت انجام محاسبات را فراهم می‌کند. روش‌های انتخاب والدین، کنترل جمعیت های بعدی، شرایط خاتمه و تنظیماتی از قبیل تعداد اعضای جمعیت اولیه و نوع توزیع جواب ها و … همگی در این نرم افزار قابل تنظیم خواهند بود همچنین قابلیت ارائه گزارش از تکرار ها و بهبود جواب ها نیز از قابلیت های الگوریتم ژنتیک در نرم افزار STE می باشد
محور افقی این گزارش به سه حالت تعداد دفعات فراخوانی تابع هدف، تعداد تکرار ها و زمان انجام محاسبات به اختیار کاربر قابل تغییر است.
- تعلیم شبکه های عصبی مصنوعی
نرم افزار STE قادر است با استفاده از الگوریتم هوشمند ژنتیک شبکه های عصبی مصنوعی را برای برآورد هرچه دقیق تر بار رسوب در رودخانه ها تعلیم داده و در برآورد های آتی از آن ها به راحتی استفاده و نتایج را مقایسه کند.
شبکه‌های عصبی مصنوعی :
شبکه های عصبی مصنوعی (ANN) یا Artificial Neural Networks و به عبارت دیگر سیستم های اتصالگر، سیستم های محاسبه کننده ای هستند که از شبکه های عصبی زیستی الهام گرفته شده اند.
این سیستم ها، با بررسی مثال ها، فعالیت ها را یادگیری می کنند (به عبارت دیگر عملکرد خود را در در انجام فعالیت ها به مرور بهبود می دهند) و عموماً این اتفاق بدون هیچ برنامه نویسی مختص به فعالیت انجام می شود.
برای مثال، در شناسایی تصویر، این شبکه ها می توانند یاد بگیرند که تصاویر شامل گربه را با تحلیل تصاویر مثالی که قبلاً بطور دستی به عنوان “با گربه” یا “بدون گربه” برچسب گذاری شدند، شناسایی کنند و از این نتایج برای شناسایی گربه در تصاویر دیگر استفاده نمایند. شبکه های عصبی این عمل را بدون دانش قبلی در مورد گربه انجام می دهند؛ یعنی از مثلاً از مو، دم، سیبیل یا صورت گربه خبر ندارند. در عوض، خود مجموعه مشخصه های مرتبط را از مطالب آموزشی ای که پردازش می کنند، توسیع می دهند.
یک ANN بر مجموعه ای از واحدهای متصل یا گره، به نام نورون های مصنوعی، مبتنی است (مشابه نورون های زیستی در مغز حیوان). هر اتصال (سیناپس) میان نورون ها می تواند سیگنالی را از یک نورون به نورون دیگر انتقال دهد. نورون دریافت کننده (پُست سیناپتیک) می تواند سیگنال (ها) و سپس نورون های سیگنالی متصل به آن را پردازش کند.
در پیاده سازی های معمول ANN، سیگنال سیناپس یک عدد حقیقی است، و خروجی هر نورون توسط تابعی غیر خطی از ورودی های آن محاسبه می شود. نورون ها و سیناپس ها معمولاً دارای وزن هستند که توأم با پیشرفت یادگیری، تنظیم می شود. این وزن، قدرت سیگنالی را که به سیناپس می فرستد افزایش یا کاهش می دهد. نورون ها می توانند آستانه ای داشته باشند که تنها اگر سیگنال مجموع از آن آستانه عبود کند، سیگنال فرستاده شود.
معمولاً، نورون ها در لایه ها سازماندهی می شوند. لایه های مختلف ممکن است تبدیلات مختلفی روی ورودی خود اِعمال کنند. سیگنال ها از اولین لایه (ورودی) به آخرین لایه (خروجی) سفر می کنند، و در این بین ممکن است لایه هایی را چند بار طی کنند.
هدف آغازین روش شبکه های عصبی، حل مسئله به روش ذهن انسان بود. با مرور زمان، توجه به تطبیق برخی توانایی های ذهنی خاص معطوف، و از مسیر اصلی زیست شناختی منحرف شد.
شبکه های عصبی در فعالیت های متنوعی استفاده شده اند، از جمله بینایی ماشین، شناسایی گفتار، ترجمه ماشینی، فیلترینگ شبکه های اجتماعی، بازی های رومیزی و بازی های ویدیویی و تشخیص پزشکی.
سیستم عصبی در STE
و حال در نرم افزار STE از این الگوریتم برای برآورد رسوب استفاده خواهیم کرد و نرم افزار STE نشان داد با استفاده از این الگوریتم، بهینه ساز هوشمند ژنتیک و پارامتر های مختلف هیدرولیکی موجب افزایش دقت محسوسی در برآورد ها خواهد شد.
به عنوان مثال در رودخانه چهل چای بهترین برآورد رسوب با استفاده از قابلیت اصلاح معادلات نرم افزار STE و اصلاح معادله میر پیتر مولر 56 درصد در رنج نسبت ناجوری نیم تا دو بوده است در صورتی که یک سیستم عصبی مصنوعی با 4 لایه و مجموعا 13 نورون توسط نرم افزار STE با استفاده از 4 پارامتر دبی جریان – شعاع هیدرولیکی – خروجی های معادله روتنر و معادله یانگ تعلیم داده شده و قادر است در 75 درصد مواقع رسوب این رودخانه را در رنج نسبت ناجوری نیم تا دو محاسبه کند!
تعلیم شبکه های عصبی مصنوعی برای تخمین بهتر دبی جریان
نرم افزار STE قادر است با توجه به مقادیر اندازه گیری شده، شبکه های عصبی مصنوعی را با هدف تخمین توزیع سرعت جریان در عرض و دبی جریان در رودخانه ها تعلیم داده و از آن ها در محاسبات بعدی و مواقع سیلابی به خوبی استفاده کند.
با توجه به صعوبت اندازه گیری دبی جریان در مواقع سیلابی، شبکه های عصبی تعلیم داده شده در این زمینه باعث افزایش دقت در تخمین دبی جریان خواهند بود. نحوه تعلیم شبکه های عصبی مصنوعی در این نرم افزار و صحت سنجی مقادیر محاسبه شده توسط شبکه تعلیم داده شده در فایل ویدیویی زیر نمایش داده شده است :