عنوان پایان‌نامه
توسعه مدل هیبریدی شبکه عصبی مصنوعی و الگوریتم ژنتیک جهت شبیه¬سازی و پیش¬بینی هدایت هیدرولیکی اشباع خاک
- رشته تحصیلی
- مهندسی‌کشاورزی-آبیاری و زهکشی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 67819;کتابخانه پردیس ابوریحان شماره ثبت: 897
- تاریخ دفاع
- ۱۳ بهمن ۱۳۹۳
- دانشجو
- المیراسادات شمس امامزاده
- استاد راهنما
- محمود مشعل, جابر سلطانی
- چکیده
- هدایت هیدرولیکی اشباع خاک از جمله مهمترین خصوصیات فیزیکی خاک می¬باشد که در بررسی و مدلسازی حرکت آب در خاک اهمیت بسیاری دارد. روش پرمامتر بارافتان چاهک پوشش¬دار یکی از روش¬های اندازه¬گیری این پارامتر در بالای سطح ایستابی می¬باشد که توسط فیلیپ ارائه و توسط رینولدز اصلاح گردید. حل عددی معادله ارائه شده توسط فیلیپ و حالت توسعه یافته آن توسط رینولدز، دشوار و زمانبر می¬باشد. در این راستا میتوان از روش¬های هوش¬ مصنوعی که ابزار قدرتمندی در حوزه الگوریتم¬های یادگیری ماشین می¬باشند به منظور دستیابی به پارامتر مورد نظر با استفاده از اطلاعات موجود استفاده نمود. متداولترین شبکه عصبی، شبکه MLP می¬باشد و تنها رقیب آن شبکه RBF است. در این تحقیق ابتدا به استفاده از شبکهRBF و مقایسه نتایج آن با شبکه MLP پرداخته می¬شود. عموما تعیین ساختار شبکه عصبیMLP و تعیین ورودی¬های مورد نیاز برای آن به صورت آزمون و خطا می¬باشد که بسیار زمانبر و دشوار است. لذا میتوان از الگوریتم ژنتیک که روشی برای حل مسائل بهینه¬سازی می-باشد و اساس آن بر انتخاب، بقا و تکامل در محیط¬های طبیعی استوار است به منظور بهینه¬سازی شبکه عصبی استفاده نمود. بنابراین در این تحقیق اقدام به تدوین مدل هیبریدی شبکه عصبی و الگوریتم ژنتیک گردید. چنانچه در شبکه MLP تعیین ساختار و انتخاب ورودی¬ها به درستی صورت گیرد، آموزش شبکه با دقت قابل قبولی توسط الگوریتم پس¬انتشارخطا انجام می¬شود. در این تحقیق به جهت بررسی دقت عملکرد الگوریتم ژنتیک در آموزش شبکه عصبی در مقایسه با الگوریتم آموزشی پس¬انتشارخطا، اقدام به تدوین دو نوع مدل هیبریدی گردید. در مدل اول علاوه بر تعیین ساختار بهینه شبکه و پارامترهای ورودی مورد نیاز، آموزش شبکه نیز توسط الگوریتم ژنتیک انجام می¬شود. مدل دوم مشابه مدل اول می¬باشد ولیکن آموزش شبکه توسط الگوریتم آموزشی لونبرگ-مارکوآرت صورت می¬گیرد. در این تحقیق از اطلاعات مربوط به 27 پرمامتر چاهک پوشش¬دار رینولدز، حفر شده در مزرعه تحقیقاتی پردیس ابوریحان به ¬عنوان ورودی مدل¬ها و از مقادیر هدایت هیدرولیکی اشباع خاک حاصل از حل عددی رابطه رینولدز، به¬ عنوان مقادیر مورد انتظار این پارامتر استفاده گردید. براین اساس چهار سری داده ورودی شامل اطلاعات چاهک¬های دارای جریان ¬افقی، عمودی، افقی-عمودی و تمام داده¬های مذکور با هم در نظر گرفته¬شد. دقت عملکرد مدل¬ها به منظور برآورد هدایت هیدرولیکی اشباع خاک به ¬ازای هر یک از چهار سری داده¬ی ورودی، براساس شاخص¬های ضریب تبیین ¬(R2)، میانگین مربعات خطا (MSE) و ریشه میانگین مربعات خطا (RMSE) مورد مقایسه ¬و ارزیابی قرار گرفتند. نتایج نشان داد به ازای هر چهار سری داده، شبکه MLP دارایR2 بزرگتر و مقدار MSE و RMSE کمتری نسبت به شبکه RBF به منظور برآورد هدایت هیدرولیکی اشباع خاک بوده است. در ادامه عملکرد مدل هیبریدی حالت دوم به ازای هر چهار سری داده¬ی ورودی، دارایR2 بزرگتر و مقدار شاخص MSE، RMSE و زمان اجرای کمتری نسبت به مدل هیبریدی حالت اول بود. یکی از برترین دقت عملکردهای مدل هیبریدی حالت دوم، به ازای سری چهارم داده¬ها (شامل تمام داده¬ها) می¬باشد که قادر است مقدار هدایت هیدرولیکی اشباع خاک را به ازای داده¬های مربوط به هرنوع چاهکی، با دقتی بالا (مقدار شاخص¬های R2، MSE و RMSE به ترتیب برابر با 985/0، 0026/0 و 0514/0) و به ازای تعداد ورودی و مدت زمان اجرای کمتری در مقایسه با روش حل عددی رابطه رینولدز برآورد نماید. لذا مدل مذکور می¬تواند جایگزین مناسبی برای حل عددی رابطه رینولدز باشد. کلمات کلیدی: هدایت هیدرولیکی اشباع خاک، شبکه عصبی مصنوعی، الگوریتم ژنتیک، پرمامترچاهک پوشش¬دار
- Abstract
- Soil saturated hydraulic conductivity is one of the most important soil physical property that in the studying and modeling of water movement in soil media, is very important. Falling head in cased borehole permeameter method is one of measuring soil saturated hydraulic conductivity method, above the water table. Which was provided by Philip and modified by Reynolds. Numberical solution of the equation that is presented by Philip and the developed form of it by Reynolds is difficult and time-consuming. In this regard, artificial neural networks that are powerful tools in machine learning algorithms can be used to achieve the desired parameter by using the information. The most common neural network is the MLP network, and RBF network is the only competitor for it. In this study, firstly, the RBF and MLP networks are used and their results compare together. Typically, choosing MLP neural network structure and the needed inputs are determined by trial and error and it is difficult and time-consuming, so genetic algorithm that is a method for solving optimization problems and is based on the selection, survival and development on the natural environment, could be used for neural network optimization. In this research, a hybrid model of neural networks and genetic algorithms was developed. If the selection of MLP network structure and needed inputs are done correctly, network training is performed by back propagation error algorithm with acceptable accuracy. To evaluate the accuracy of genetic algorithms in neural network training and comparing with back propagation error training algorithm, two hybrid models were developed. In the first model, network training is performed by genetic algorithm, in addition to determine the optimal structure of the network and the required input parameters. The second model is similar to the first, but training network will be done by levenberg-marquardt training algorithm. In this study, the data of 27 drilled cased borehole permeameter (Reynolds method) which obtained from research field of Abouraihan campus were used as input parameters. The soil saturated hydraulic conductivity values that had been obtained from the numerical relation of the Reynolds equation, were used as the expected values of these parameters. Four sets of input data were considered which include horizontal, vertical, horizontal-vertical flow and all the data together. The accuracy of the models to estimate the soil saturated hydraulic conductivity for each of the four input data sets, based on the coefficient of determination (R2), mean square error (MSE) and root mean square error (RMSE) were compared and evaluated. The results showed MLP network estimated the soil saturated hydraulic conductivity with larger R2 and less MSE and RMSE values than RBF network, for each data series. And, for each series of input data, the second hybrid model had larger R2 and less values of MSE, RMSE and the run time than the first one. The best accuracy of performance in second hybrid model was for the fourth series of data (that including all data). However, the structure of the network which obtained in this study was able to estimate the soil saturated hydraulic conductivity for each data with high accuracy (The value of R2, MSE and RMSE were 0.985, 0.0026 and 0.051 respectively) and less number of entries and the run time than the numerical solution of the Reynolds equation. So the model can be a good alternative for the numerical solution of the Reynolds equation. Key words: Soil saturated hydraulic conductivity, Artificial neural networks, Genetic algorithm, Cased borehole permeameter
