بهره برداری از کاناال های آبیاری با استفاده از مدل های هوشمند

مقدمهرشد سریع جمعیت، کشاورزی، شهرنشینی و صنعت موجب افزایش تقاضای آب و رقابت برای مصارف مختلف شده است. ترویج بهره‌وری آب در کشاورزی تأثیر قابل توجهی بر افزایش راندمان مصرف آب دارد. روش‌های توزیع و تحویل آب نیز نقش تعیین‏کننده‌ای در میزان انعطاف‌پذیری سامانه‌‌های آبیاری و بهبود بهره‌وری آب دارند. از میان روش‌های موجود، روش تحویل برحسب درخواست انعطاف‌پذیری بیشتری نسبت به روش گردشی دارد و نسبت به روش برحسب تمایل (بر حسب تقاضا) به زیرساخت‌های کمتری نیاز دارد. تنظیم مناسب سازه‌ها و دستورالعمل‌های بهره‌برداری بین درخواست‌های متوالی تابعی از تغییرات دبی، فاصله زمانی بین بهره‌برداری‌ها، همزمانی درخواست‌های مختلف، شرایط فیزیکی سازه‌های کانال و رفتار هیدرودینامیکی جریان می‌باشد که موجب پیچیدگی و لزوم استفاده از روش‌های ریاضی جهت مدل‌سازی و بهره برداری می-گردد. در این تحقیق از روش جدید FSL (آموزش سارسای فازی) و روش ANN (شبکه‌های عصبی مصنوعی) استفاده گردید و بمنظور تعیین عملکرد روش جدید بکار رفته عملکرد آن با روش‌ ANN مقایسه گردید. داده‌های بکار رفته نیز مربوط به کانال عقیلی شرقی واقع در استان خوزستان می‌باشند. مواد و روش‌هادر این تحقیق، مقایسه کارائی دو روش یادگیری مدرن (یادگیری تقویتی سارسای فازی) و یادگیری سنتی (شبکه‌های عصبی مصنوعی) به‌منظور برنامه‌ریزی توزیع و تحویل آب در روش تحویل برحسب درخواست در کانال عقیلی شرقی استان خوزستان انجام شد. به منظور شبیه‌سازی از 70%، 15% و 15% داده‌ها به ترتیب برای آموزش، کالیبراسیون و اعتبار سنجی مدل‌ها استفاده شد. یادگیری و آموزش داده‌های دبی و بازشدگی آبگیرها توسط شبکه‌های عصبی مصنوعی پرسپترون چند لایه و تابع پایه شعاعی انجام و بهترین حالت تنظیم سازه‌ها با استفاده از معیارهای ضریب همبستگی و ریشه میانگین مربعات خطا انتخاب شد. همچنین بهترین تنظیم سازه‌ها با استفاده از روش یادگیری تقویتی نیز استخراج گردید. به ‌منظور ارزیابی نتایج نیز از شاخص‏های راندمان، کفایت، پایداری و عدالت در تحویل آب و همچنین شاخص‌های میانگین و حداکثر نوسانات سطح آب نسبت به عمق هدف استفاده گردید. نتایج و بحث بر اساس نتایج بدست آمده مشاهده شد که شاخص MPA (عدالت در تحویل) در روش شبکه عصبی مصنوعی برای بلوک‌های اول و دوم کانال به ترتیب برابرند با 952/0 و 919/0 و در حالت استفاده از روش سارسای فازی این مقادیر به ترتیب برابر 996/0 و 1 می‌باشند. همچنین مقادیر شاخص MPF (راندمان در تحویل) در هنگام شبیه‌سازی با استفاده از شبکه عصبی در هر دو بلوک برابر 1 می‌باشد و در شبیه‌سازی با استفاده از FSL این مقادیر برابر 999/0 و 971/0 می‌باشند. در روش MLP خطای حداکثر نوسانات سطح آب در بلوک‌های اول و دوم به ترتیب برابرند با 2/9 و 8/3 درصد و در روش FSL این خطاها برابرند با 5/5 و 4/7 درصد. نتایج نشان داد که شاخص‌های میانگین و حداکثر نوسانات سطح آب برابر حداقل خود می‌باشند و شاخص‌های تحویل آب نیز به مقادیر مطلوبشان طبق نتایج مولدن و گیتس (1990) نزدیک می‌باشند. بطور کلی می‏توان نتیجه گرفت با توجه به شاخص‎های ارزیابی، روش FSL نتایج بهتری نسبت به روش MLP دارد. با این حال نتایج روش MLP نیز قابل قبول و معتبر می‏باشد.نتیجه‌گیریدر این تحقیق از روش شبکه‌های عصبی پرسپترون چندلایه و تابع پایه شعاعی در برنامه متلب جهت تعیین دستورالعمل-های بهره‌برداری کانال عقیلی شرقی در استان خوزستان استفاده شد و نتایج با روش سارسای فازی مورد مقایسه قرار گرفت. بمنظور شبیه‌سازی هیدرودینامیکی کانال نیز مدل ICSS مورد استفاده قرار گرفت. بررسی‌ها نشان داد که نتایج شبکه پرسپترون چندلایه از شبکه تابع پایه شعاعی بهتر است و نتایج مدل‌سازی با روش سارسای فازی نیز از روش پرسپترون چندلایه مناسب‌تر می‌باشد. اما بهرحال هر دو روش می‌توانند در عمل مورد استفاده قرار گیرند.