عنوان پایان‌نامه
تدوین مدل ماشین بردار پشتیبان (SVM) برای تعیین سیاست بهره برداری بهینه از مخزن
- رشته تحصیلی
- مهندسی کشاورزی - مهندسی منابع آب
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 66875;کتابخانه پردیس ابوریحان شماره ثبت: 822
- تاریخ دفاع
- ۱۱ بهمن ۱۳۹۳
- دانشجو
- عرفان صلواتی
- استاد راهنما
- محمدابراهیم بنی حبیب
- چکیده
- کمبود آب و کیفیت آن از جمله مسائلی است که در آینده¬ی نزدیک سرمنشا بسیاری از تحولات جهان قرار خواهد گرفت. از این رو ایجاد سدهای مخزنی به عنوان مخازن ذخیره کننده آب به منظور کاهش خسارت¬های ناشی از کمبود آن و همچنین افزایش اعتمادپذیری تامین آب بخش¬های مصرف کننده ضروری به نظر می¬رسد. از طرفی ذخیره و تامین آب بوسیله اجرای طرح¬های جدید توسعه منابع آب مستلزم صرف هزینه¬های کلان می¬باشد، لذا نحوه مدیریت و بهره¬برداری از مخازن موجود به نحوی که کمترین کمبود را در طول دوره بهره¬برداری داشته باشیم از جمله مسائل مهم منابع آب خواهد بود. در این میان اتخاذ بهترین سیاست بهره¬برداری با توجه به مدل¬ها و ابزارهای ریاضی موجود جهت تامین تمام و یا بخش عمده¬ای از نیازها ضروری و حائز اهمیت است. هدف اصلی این تحقیق، مقایسه¬ی مدل¬های برنامه¬ریزی پویا (Dynamic programming) و ماشین بردار پشتیبان (Support vector machine) با استفاده از شاخص¬های ارزیابی کارایی سیستم نظیر اعتمادپذیری، برگشت-پذیری، آسیب¬پذیری و انعطاف¬پذیری در بهینه¬سازی بهره¬برداری از مخزن سد شاهچراغی واقع در شهرستان دامغان در جهت حداقل¬سازی کمبود در طول دوره بهره¬برداری می¬باشد. با توجه به بالا بودن ابعاد مسئله و نیاز به یک الگوریتم بهینه¬ساز به منظور انتخاب بهترین تابع کرنل جهت ارائه نتایج مطلوب¬ از مدل ماشین بردار پشتیبان و همچنین بهینه¬یابی پارامترهای این توابع، الگوریتم بهینه¬یابی فراکاوشی مجموعه ذرات (PSO) پیشنهاد شد. مدل ماشین بردار پشتیبان یکبار با مقادیر خروجی بهینه¬سازی شده¬ی مدل برنامه¬ریزی پویا (SVM-DP) و بار دیگر نیز با مقادیر خروجی نیاز پایین¬دست منطقه مورد مطالعه (SVM-DP) مورد ارزیابی قرار گرفت. نتایج تابع کرنل RBF در دو روش SVM-DP (73/0=R_Train^2 و 24/0=R_Test^2) و SVM-DE (78/0=R_Train^2 و 30/0=R_Test^2) در تامین اهداف مدل ماشین بردار پشتیبان نشان داد که این تابع نسبت به توابع کرنل دیگر از ضریب تعیین بالاتر و صرف زمان کمتر در بهینه¬سازی پارامترها برخوردار است. نتایج به دست آمده از مقایسه مدل¬های ماشین بردار پشتیبان و برنامه¬ریزی پویا حاکی از آن است، که مدل¬های ماشین بردار پشتیبان در هر دو دوره آموزش و آزمون از برتری قابل قبولی نسبت به مدل برنامه¬ریزی پویا در افزایش میزان متوسط ماهانه رهاسازی از مخزن و کاهش کمبود در نیازهای پایین¬دست منطقه مورد مطالعه برخوردار است. بررسی عملکرد مدل¬ها به منظور حداقل¬سازی کمبود نیاز پایین¬دست از طریق بهینه¬سازی مقادیر خروجی از مخزن سد نشان می¬دهد، که مدل SVM-DP با معیار انعطاف¬پذیری 13/0 در دوره آموزش و 101/0 در دوره آزمون و مدل SVM-DE با معیار انعطاف¬پذیری 09/0 در دوره آموزش و 129/0 در دوره آزمون در مقایسه با مدل برنامه¬ریزی پویا با 144/0 و 048/0 بترتیب در دوره¬های آموزش و آزمون از عملکرد قابل قبولی در مجموع و بخصوص در دوره آزمون مدل¬ها برخوردار می¬باشد. بنابراین با توجه به متداول بودن مدل برنامه¬ریزی پویا در حل مسائل مربوط به بهره¬برداری از مخازن و نتایج حاصل شده از مدل ماشین بردار پشتیبان، در آینده نزدیک، کاربرد بیشتری از این مدل را می¬توان در بهره¬برداری از مخازن مشاهده نمود.
- Abstract
- Shortage of water and its quality is an issue that will be origin of many changes in the world in the near future. Thus, using reservoirs, as water storage system, is necessary to decrease the damages caused by the water shortage and to increase reliability of water supply for consumers. On the other hand, water storage and supply requires spending macro costs by implementation of new water-resources development projects. Thus, management and operation methods of the existing reservoir is an important water-resources issue to have the least water shortage during the operation period. Meanwhile, adopting the best operation policy using existing mathematical models and tools to provide all or part of the major needs is necessary and important. Main objective of this research is the comparison of dynamic programming and support vector machine models by using the performance criteria like performance threshold, reliability, vulnerability and flexibility for operation optimization of the Shahcheraghi Reservoir, located in the Damghan Township, to minimize the water shortage during the operation period. Considering to the high dimension of the problem and the need for an optimization algorithm in order to select the best kernel function for optimal results of support vector machine model and also for optimization of the function parameters, Particle Swarm Optimization Algorithm was proposed. Once Support vector machine model output was evaluated with dynamic programming optimal outputs (SVM-DP) and once again, the water demands of a case study area were selected as the support vector machine model output (SVM-DE). RBF kernel function results for supply of support vector machine model objectives in the both methods SVM-DP (R_Train^2=0.73, R_Test^2=0.24) and SVM-DE (R_Train^2=0.78, R_Test^2=0.30) showed that this function has the higher coefficient of determination and less run time in parameter optimization than the other applied kernel functions. The results of the comparison of support vector machine and dynamic programming models indicate that the support vector machine model has more acceptable preference than dynamic programming in the increasing monthly average releases of the reservoir and minimizing the water shortage for the both of train and test periods. The study of models performance in minimizing the water shortage of a case study by optimization of the reservoir operation indicated that the SVM-DP model with flexibility criteria of 0.13 in the training period and 0.101 in the test period and SVM-DE model with flexibility criteria of 0.09 in the training period and 0.129 in the test period have more acceptable performance than dynamic programming model with 0.144 and 0.048, respectively, in the training and test periods. Therefore, considering using dynamic programming model as traditional optimization model in reservoir operation and the results obtained from support vector machine model, in the near future, it can be seen further application of this model in the optimization of the reservoir operation
