به عنوان موفقیتی دیگر در افزایش دقت محاسبات رسوبی، نرم افزار STE در ورژن جدید خود قادر خواهد بود 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!
0 دیدگاه