اخیرا استفاده از مدل های ریاضی برای شبیه سازی کیفیت آب رودخانه ها توسعه زیادی یافته که به دلیل پیچیدگی و تعدد فرآیندهای کیفی منابع آب سطحی و وجود ضرایب و ثابت های شیمیایی و بیولوژیکی متعدد، استفاده از سیستم استنباط فازی - عصبی تطبیقی، روشی نو جهت پیش بینی کیفی رودخانه هاست. در این مقاله ضمن بیان مبانی این سیستم به منظور پیش بینی کیفی آبهای سطحی، کاربرد آن با مجموعه ای از داده های 16 ساله از اکسیژن محلول(DO)  و اکسیژن موردنیاز بیوشیمیایی(BOD)  از رودخانه زاینده رود نشان داده شده است. فرآیند توسعه و ارزیابی سه نوع مدل سیستم استنتاج فازی - عصبی تطبیقی در پیش بینی  (BOD)بر اساس مجموعه عوامل موثر در یک و دو ایستگاه قبل نشان داد که دبی، درجه حرارت و مقدار اکسیژن موردنیاز بیوشیمیایی در یک و دو ایستگاه قبل با مقدار ضریب تبیین 953/0 در مرحله واسنجی و 931/0 در مرحله اعتبارسنجی مناسب ترین مدل و برای پیش بینی اکسیژن محلول عوامل سرعت، عمق، درجه حرارت، عرض در سطح آب و اکسیژن محلول در یک ایستگاه قبل با مقدار ضریب تبیین 921/0 در مرحله واسنجی و 904/0 در مرحله اعتبارسنجی، مناسب ترین مدل است. در نهایت مقادیر پیش بینی شده بهنگام توسط مدل ها با مقادیر اندازه گیری شده مقایسه شد و نشان داده شد که سیستم استنباط فازی عصبی - تطبیقی عملکرد مناسبی دارد. استفاده از سیستم استنتاج فازی - عصبی تطبیقی می تواند به عنوان رهیافت کاربردی جدیدی در پیش بینی وضعیت کیفی رودخانه هایی که داده های کافی برای مراحل آموزش، واسنجی و اعتبارسنجی دارند، مطرح باشد. هرچند ساخت مدل های پیش بینی کیفی رودخانه ها با این سیستم نیاز به متخصص خبره و حجم داده پردازی زیاد دارد، ولی دقت پیش بینی آنها بسیار مناسب است.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

تخمین ضریب اصطکاک در لوله ها در بسیاری از مسائل مهندسی آب و فاضلاب، مانند توزیع سرعت و تنش برشی، فرسایش، انتقال رسوب و افت هد، اهمیت ویژه ای دارد. در تحلیل این گونه مسائل با دانستن ضریب اصطکاک، می توان تخمین دقیق تری از آنها به دست آورد. در این تحقیق به منظور تخمین ضریب اصطکاک در لوله ها با استفاده از سیستم تطبیقی استنتاج فازی- عصبی، روش افراز شبکه ای مورد استفاده قرار گرفت. برای آموزش و تست مدل فازی- عصبی از داده های به دست آمده از معادله کلبروک استفاده گردید. در روش فازی- عصبی، زبری نسبی لوله و عدد رینولدز، متغیرهای ورودی و ضریب اصطکاک متغیر خروجی در نظر گرفته می شود. عملکرد مدل ارائه شده با استفاده از داده های برداشت شده از معادله کلبروک و بر مبنای شاخصهای آماری ضریب تعیین، جذر میانگین مجذورات خطا و میانگین خطای مطلق ارزیابی گردیدند. مقایسه نتایج نشان داد که مدل سیستم تطبیقی استنتاج فازی-عصبی با روش گسسته سازی شبکه ای و تابع عضویت ورودی گوسین و خروجی خطی، ضریب اصطکاک را با دقت بیشتری نسبت به دیگر حالات برآورد می نماید. رهیافت جدید ارائه شده در این تحقیق قابلیت کاربرد در مسائل طراحی کاربردی و نیز قابلیت اتصال و ترکیب با مدل های ریاضی و عددی انتقال رسوب و به هنگام سازی نتایج آنها را در شرایط واقعی دارد.

ابهام و عدم قطعیت موجود در ماهیت و محدودیت شناختی ذهن انسان، همواره پیش بینی رفتار و مشخصات ناشناخته سیستم هایی را که با انسان سروکار دارند، دشوار می سازد. درنتیجه، پیش بینی در این حوزه، نیازمند ساخت مدل هایی است که ابهام را به عنوان بخشی از سیستم در نظر گرفته و مدلسازی کند. هدف از این مقاله بهره گیری از هوش مصنوعی و الگوریتم های بهینه سازی پیشرفته برای مدلسازی کارایی کارکنان است که در این بررسی از متغیرهای هوش هیجانی و ویژگی های فردی به عنوان ورودی و از سه بعد وظیفه شناسی، دقت در کار و سرعت در کار به عنوان خروجی مدل پیش بینی کارایی امدادگران و گازبانان شرکت گاز استفاده شده است.در نهایت، به منظور مدلسازی کارایی، با ترکیب الگوریتم ژنتیک و روش تجزیه مقادیر منفرد با سیستم استنتاج فازی عصبی، سیستم بهینه استنتاج عصبی- فازی تطبیقی بر اساس داده های واقعی به کار گرفته شد. این سیستم قادر است با وجود پیچیدگی و ناشناخته بودن رفتار در حوزه منابع انسانی، کارایی کارکنان را با حداقل خطای آموزش، حداقل خطای پیش بینی و حداکثر انطباق پذیری با کارایی واقعی پیش بینی کند به طوری که بر اساس الگوریتم معرفی شده، در مورد 84 تا 96 درصد از رکوردهای مورد بررسی، ابعاد کارایی به طور دقیق برابر با مقدار واقعی پیش بینی می شوند.

نمودارهای کنترل سنتی مبتنی بر این فرض اساسی هستند که دادههای فرآیند بطور متوالی مستقل از یکدیگر بوده و دارایتوزیع نرمال میباشند. این در حالی است که در بسیاری از موارد در دنیای واقعی از جمله در فرآیندهای شیمیایی و پیوسته این فرضاساسی وجود ندارد و بین دادههای جمع آوری شده از فرآیند نوعی خودهمبستگی وجود دارد. استفاده از نمودارهای کنترل سنتی درفرآیندهای خود همبسته غیرقابل اطمینان بوده و باعث افزایش اخطارهای اشتباه میشود. یکی از روشهای توسعه داده شده به منظورکنترل فرآیندهای خودهمبسته، شناسایی ساختار سریهای زمانی فرآیند و استفاده از مقادیر باقیماندهها به منظور کنترل فرآیند میباشد. در این مقاله از یک مدل مبتنی بر سیستمهای تطبیقی عصبی-فازی به منظور شناسایی ساختار سریهای زمانی و پیش بینی استفادهطراحی میشود. در AR(2) شده است. همچنین نمودارهای کنترل باقیمانده مبتنی بر این سیستم برای دادههای خود برگشتی درجه 2و برای )EWMA( نهایت با استفاده از دادههای شبیه سازی شده، کارایی روش پیشنهادی در نمودار میانگین متحرک موزون نمائیدرجههای مختلفی از همبستگی مورد ارزیابی قرار میگیرد.

در این مطالعه، از سامانه استنتاج فازی-عصبی تطبیقی برای مدل سازی فرایند تصفیه فاضلاب لجن فعال پتروشیمی مبین استفاده شد. این مدل برای پیش بینی غلظت اکسیژن مورد نیاز شیمیایی خروجی مورد استفاده قرار گرفت و ضریب همبستگی بین پارامترهای ورودی و کیفیت جریان خروجی محاسبه شد. پارامتر ورودی با بیشترین تاثیر بر کیفیت جریان خروجی تعیین شد و بر اساس آن، سه ساختار فازی- عصبی تطبیقی مستقل با تعداد پارامترهای گوناگون بررسی شد. پیش بینی های مدل های فازی- عصبی تطبیقی با پیش بینی های مدل شبکه عصبی مصنوعی چندلایه با ساختاری مشابه مقایسه شدند. بررسی نتایج به دست آمده نشان می دهد که هر دو روش هوش مصنوعی، روش های مدل سازی منعطف، با دوام و موثری را برای سیستم لجن فعال ارائه می دهند. همچنین، پس از مقایسه خطای پیش بینی هر یک از این دو روش، مشاهده می شود که با استفاده از سیستم استنتاج فازی-عصبی تطبیقی (با مجذور میانگین مربعات خطای 5.14 برای داده های آزمایش) می توان به نتایج بهتر و بازدهی بالاتری نسبت به شبکه عصبی مصنوعی (با مجذور میانگین مربعات خطای 6.59 برای داده های آزمایش) دست یافت.

سابقه و هدف: توسعه روش های برآورد فراوانی منطقه ای سیلاب در مناطق فاقد ایستگاه های اندازه گیری یکی از اولین اهداف اصلی در مسایل روز هیدرولوژی می باشد. ارزیابی فراوانی سیلاب در حوضه های فاقد ایستگاه های اندازه گیری، معمولا توسط ایجاد روابط مناسب آماری (مدل ها) بین سیلاب و ویژگی های فیزیکی حوضه انجام می گیرد. تاکنون معادلات متعددی در زمینه برآورد دبی سیلاب در مناطق مختلف از جمله حوضه کرخه ارایه شده ولی با توجه به پیچیدگی این پدیده، روابط موجود نتوانسته اند دبی سیلاب طراحی را با دقت مناسب شبیه سازی کنند. بر همین اساس در این پژوهش علاوه بر روش رگرسیونی که در گذشته استفاده می شد از مدل شبکه های عصبی مصنوعی (ANN) و همچنین سیستم استنتاج فازی-عصبی تطبیقی (ANFIS) استفاده شده است این مدل ها در واقع از نوع مدل های جعبه سیاه هستند که بدون آگاهی یا با آگاهی کم از فرآیند درونی سیستم، ورودی ها را به خروجی ها (یا خروجی) تبدیل می نماید. این وضعیت در واقع مشابهت این مدل ها را با روابط رگرسیونی می رساند، با این تفاوت که قابلیت انعطاف آنها در تنظیم وزن ها بیشتر بوده و لذا به عنوان جایگزین برای رگرسیون های چند متغیره استفاده می شود.مواد و روش ها: منطقه مورد پژوهش، در نواحی غرب ایران قرار دارد که شامل 33 ایستگاه هیدرومتری همگن می باشد. از ایستگاه های همگن موجود،27 ایستگاه برای واسنجی (ایجاد مدل) و 6 ایستگاه برای صحت سنجی مدل های ایجاد شده، مورد استفاده قرار گرفتند، برای حصول به مدل واحد، دوره بازگشت به عنوان عامل مستقل در مدل در نظر گرفته شد.یافته ها: برای دست یابی به بهترین ساختار شبکه عصبی مصنوعی و همچنین شبیه سازی در سیستم ANFIS از ترکیبات مختلف فیزیوگرافی به همراه دوره بازگشت به عنوان ورودی استفاده شد. برای بدست آوردن مهمترین عوامل ورودی در مدل ها از تحلیل حساسیت در محیط نرم افزار SPSS استفاده شد، و بدین ترتیب مهمترین متغییر های مستقل برابر شد با: دوره بازگشت، مساحت، ارتفاع، طول آبراهه اصلی وشیب، در مدل ANN ساختارهای مختلف این ورودی ها با یکدیگر مقایسه شدند با این توضیح که برای بهینه سازی وزن های اتصال در بین لایه های مختلف ANN از الگوریتم ژنتیک استفاده شده است. بدین ترتیب بهترین شبکه، پیش خور با ساختار 1-10- 5 با ضریب تعیین 0.95 انتخاب شد. و همچنین در سیستم ANFIS، با افزایش تعداد ورودی ها در هر چهار تابع عضویت مثلثی، گوسی نوع 1، گوسی نوع 2 و ذوزنقه ای دقت شببیه سازی افزایش یافته به طوری که بهترین شبیه سازی در تابع مثلثی با RMSE=0.1514 و R2=0.97 که در آن تعداد قوانین 243 می باشد. در پایان با مقایسه مدلANFIS ، ANN و مدل رگرسیونی مشخص شد که مدل ANFIS در مقایسه با شبکه عصبی منتخب و مدل رگرسیونی به خصوص در دوره بازگشتهای زیاد از دقت بالاتری برخوردار است.نتیجه گیری: مدل رگرسیونی در زیر حوضه هایی که دبی سیلاب آن ها در دوره بازگشت های مختلف حدودا کمتر از 1000M3/S باشد، ازمطابقت خوبی با دبی سیلاب واقعی برخوردار است همچنین مدل شبکه عصبی نیز در دبی های کم دقت خوبی دارند ولی از آنجا که مدل رگرسیونی قادرند پیش بینی های خود را در قالب فرمول ارایه کنند، نسبت به مدلهای ANN و ANFIS که اطلاعاتی در مورد روابط بین پارامترهای مسئله ارایه نمی دهند برای مهندسین راحتر می باشد ولی در مجموع از نظر دقت پیش بینی سیستم استنتاج فازی-عصبی تطبیقی (ANFIS) در تمام دوره بازگشت ها، دبی سیلابشان از مطابقت بسیار بالایی با دبی سیلاب واقعی برخوردار بوده و می توان به عنوان بهترین ابزار برای پیش بینی دبی سیلاب در دوره بازگشت های مختلف در حوضه آبریز کرخه معرفی کرد.