مقاله در مورد سیستم بهره برداری مخزن هوشمند بر پایه شبکه های عصبی مصنوعی نمو یافته

دانشگاه آزاد واحد اهر
ترجمه :
صفر مرادی
استاد مربوطه :
دکتر روشنگر
زمستان 91
سیستم بهره برداری مخزن هوشمند بر پایه شبکه های عصبی مصنوعی نمو یافته
چکیده: ما یک سیستم بهره برداری مخزن هوشمند جدیدی را بر پایه شبکه عصبی مصنوعی نمو یافت (ANN) را پیشنهاد می دهیم. نمو یافته به معنی پارامترهای مدل ANN می باشد که توسط تکنیک تکاملی بهینه سازی GA شناخته می شود. مزیت های اصلی سیستم هوشمند استنتاج شده ANN (ANNIS) به صورت زیر می باشد:
(i) فقط تعداد اندکی از پارامترها حتی برای افقهای بهینه سازی طولانی بهینه می شوند.
(ii) سهولت در متغیرهای تصمیم گیری چندگانه استعمال کردن (iii) ترکیب درست مدل بهره برداری با مدلهای دیگر پیشگویی. سیستم هوشمند توسعه یافته برای بهره برداری از مخزن shihmen(اسم خاص) در شمال تایوان برای بررسی قابلیت اجرا و عملی بودن آن به کار رفت. روش پیشنهاد شده ابتدا یک فرمول ساده برای بهره برداری از مخزن شیمن با یک هدف و تصمیم منفرد به کار می رود. نتایج آن با آنهایی که توسط برنامه ریزی دینامیک بدست آمده بود ذمقایسه شده نتایج بیان می کند که شبکه های عصبی استنتاج شده پیشرفته عملکرد بهره برداری از مخزن را زمانی که با استراتژی بهره برداری حاضر مقایسه شد بهبود
بخشید. سیستم قادر به متغیرهای تصمیم گیری مختلف به کارگیری همزمان موفق بود و تصمیمات منطقی و مناسب را ارائه می کند.
1- مقدمه: هوش مصنوعی (AI) یک تکنولوژی حالتی از هنر می باشد که همانند فرآیند فکر کردن انسان در تصمیم گیری و یادگیری استراتژی است. که برای توانایی برجسته آن در بکارگیری سیستم های پیچیده به خوبی شناسایی شده و از طریق صنعت تکنولوژی سازگار شده و وزنه برداری سنگین را برای منطق ها، استخراج داده ها، تخیص پزشکی و بسیاری موارد دیگر را ارائه می کند. در دهه گذشته، تکنیک های AI مانند شبکه های عصبی مصنوعی (ANN)، الگوریتم های ژنتیکی (GA) و تئوری فازی نیز به طور فزاینده ای برای از عهده برآمدن برخی موضوعات مرتبط با آب شناسی و سیستم های مخازن آبی به کارگرفته شده است. اخیراً برخی تلاش ها جهت نظارت بر ذخیره بهینه سازی مخازن و بهره برداری از طریق تکنیک های AI صورت گرفته است. رامان و کاندرا مولی به کارگیری ANN را برای تولید استراتژی های بهره برداری ایجاد شده برپایه نتایج حاصل از مدل برنامه ریزی دینامیک قطعی (DP) جهت ترتیب یک سیستم ذخیره منفرد و چندگانه پیشنهاد دادند. کانسیلر و همکاران یک مدل شبکه عصبی را برای
استخراج استراتژی های عملیاتی (بهره برداری) برای یک مخزن تامین آبیاری توسعه دادند. در تلاش برای محاسبه ویژگی های اتفاقی جریان به داخل، پونامبا و همکاران سیستم استنتاج نورو- فازی (ANFIS) بر پایه نتایج بهینه بدست آمده توسط مدل بهینه سازی اتفاقی دیگر ایجاد کردند. چاینگ و همکاران یک مدل بر پایه GA جهت جستجو برای قطعه بهینه آزادکننده آب مخزن به کار بردند و سپس این نتایج را به عنوان الگوی آموزش از مدل ANFIS به کار گرفتند. تکنیک های AI همچنین روش های عمده ای هستند که برای توسعه سیستم های هوشمند (IS) و سیستم های حمایت از **(DSS) در مدیریت منابع آبی به کار رفته اند. منابع ارائه شده فوق از این لحاظ مشابه هستند که آنها ابتدا «حامل (بردار) هدف بهینه» را (مثل آزاد کننده آب مخزن) بر اساس روش هی GA، DP یا روش های بهینه سازی دیگر شناسایی می کنند. سپس آنها فقط مدل برپایه ANN را با استفاده از مقادیر بهینه شناسایی شده قبلی برای توسعه یک سیستم هوشمند بهره برداری را به می برند. این مدل های بر پایه ANN در تلاش برای تقلید مقادیر بهینه حاضر برای تصمیم گیری های جدید در آینده به کار رفتند. اگر چه مراحل یافتن نتایج بهینه اولیه
و سپس اجری ANN ممکن است با برخی موانع روبرو شود. از لحاظ بهینه سازی توسط DP، افزایش در تعداد متغیرهای ** و وضعیت م یتواند دمتشکل از غیر عملی بودن را به علت مشکل ابعادی را ایجاد کند. از نظر بهینه سازی بر اساس GA، هر متغییر تصمیم گیری در هر مرحله می بایست به عنوان یک پارامتر که باید بهینه شود، در نظر گرفته شود. همچنین برای افق های بهینه سازی طولانی، تعداد پارامترهایی که باید بهینه شود بخشی از تعداد مراحل می باشد. در پایان، برای این فرآیند دو مرحله ای، استاندارد خطا مورد استفاده در اجرای مدل بر پایه ANN مستقیما با اهداف عملیاتی که می تواند بر راندمان بهره برداری و عملکرد اثر بگذارد همراه نیست. در این مقاله، ما یک سیستم هوشمند بر پایه مدل استنتاج ANN را توسعه دادیم و سپس آن را برای بهینه سازی بهره برداری یک مخزن چند هدفی به کار رفت. استنتاج به این معنی است که پارامترهای (وزن ها و تمایلات) مدل ANN توسط تکنیک بهینه سازی تکامای GA شناسایی می شود. بنابراین، مدل ANN می بایست استراتژی های عملیاتی بهره برداری مخزن را نشان دهد. همان طور که مدل GA مسئول بهینه سازی پارامتر های ANN به جای مقادیر تصمیم گیری می باشد، فقط
تعداد ثابتی از پارامترها نیاز دارد که به طور مستقل از اندازه افق بهینه سازی شناسایی شوند. اینمی تواند به عنوان یک نوع پارامتری کردن از استراتژی های بهره برداری در نظر گرفته شود. بعلاوه، جهت اداره متغیرهای تصمیم گیری چندگانه، مدل پیشنهادی تمایل دارد که بیشتر از مدل های قدیمی مانند DP , GA عملی شوند، به طوریکه این متغیر ها به قوائد به عنوان واحد های خروجی جدید ANN در نظر گرفته شود. افزون واحدهای خروجی جدید، ضرورتاً با ممکن بودن و بهینگی روش جدید موافق نیست، به طوریکه GA قادر است که در مقادیر بالا و شبکه پیچیده بهینه شود. در نهایت، سیستم هوشمند پیشنهادی پتانسیل زیادی را نشان می دهد که با مدل های پیشگویی دیگر همراه شود، به طوریکه مدل بر پایه GA می تواند در یک جهت حرکت به سمت جلو و کنترل سیستم های پیچیده در یک مسیر انعطاف پذیر اجرا شود.
جهت آزمایش عملکرد سیستم هوشمند پیشرفته بهره برداری مخزن، ما آن را برای یک بهره برداری واقعی از مخزن چند هدفی میثمن واقع در شمال تایوان با مراحل زمان 10 روزه به کار گرفتیم. مخزن برای کاربردهای چند گانه مانند تامین آب احشام، کاربردهای کشاورزی، تجهیزات جریان
حداقل محیطی و تولید نیروی آب به کار رفت. اهداف چندگانه مخزن با استفاده از توابع عضویت فازی به عنوان یک راه موثر در نرمال کردن و جمع کردن انواع مختلفی از اهداف ارزیابی شد. جهت تایید بهینگی ENNIS پیشنهاد شده، ابتدا ما نتایج آن را با آنهایی که توسط مدل DDP بدست آمده با توجه به هدف منحصر به فرد (تولید انرژی) مقایسه کردیم. سپس مشکل در یک روش بسیار پیچیده قرار داده شده به طوریکه پنج متغییر تصمیم گیری به طور همزمان به رفت. ما همچنین اثر انواع اطلاعات ورودی مدل عملیاتی ANN را آزمایش کردیم.
2- روش شناس: به طور سنتی، در مدل های اجرا شده بر پایه ANN، الگوهای ورودی- خروجی به طور طبیعی ضروری هستند. از لحاظ سیستم کنترل ANN این بردار های هدف ممکن است از نتایج بهینه سازی قبلی بدست آیند. به عنوان مثال، از لحاظ بهره برداری مخزن، عمل کننده قدیمی آزاده کنند آب مخزن ممکن است به عنوان بردار آموزشی هدف به کار رود. اگرچه مدل ANN آموزشی ب چنین مقادیری تضمین نمی کند که ANN یک استراتژی عملیاتی بهینه را تولید خواهد کرد. این چگونگی این است که چرا محققان قبلی تکنیک های بهینه سازی دیگری برای یافتن چنین الگوهای ورودی –
خروجی بهینه قبل از یادگیری مدل های ANN به کار برده اند. در این مطالعه ما یک روش جدید را ارائه می کنیم به طوریکه مدل ANN مستقیماً توسط تابع هدف GA به جای استاندارهای خطای بین مقادیر خروجی محاسبه شده و هدف انجام می شود. بعلاوه روش شناسی پیشنهاد شده می تواند به سادگی تا بهینه سازی و کنترل سیستم های دیگر منبع آن گسترده شود. در زیر بخش های بعدی ویژگی اصلی دو تکنیک به کار رفته در اینجا (ANN , GA) و سیستم هوشمند ANN استنتاج شده و پیشنهادی (ENNIS) برای بهره برداری مخزن ارائه می کنیم.
1.2. الگوریتم ژنتیکی: محاسبه تکاملی مفاهیم بیولوژیکی ** شده ای را مانند جمعیت ها، جهش و بقا بهترین را برای تولید راه حل های فزاینده بهتری برای مشکلات به کار می گیرد. حتی این مدل ها ممکن است «راه حل بهینه» ضمانت کند، آنه معمولا قادر به دستیابی راه حل های مطلوب سراسری نزدیک به مشکلات می باشند در حالیکه مدل های قدیمی ناتوان در رسیدن به این هدف به علت مشکلات اهمیتی و بهینه محلی مربوطه می باشند. یکی از عمومی ترین تکنیک های بهینه سازی تکاملی مطمئناً الگوریتم ژنتیکی (GA) می باشد. در سالهای اخیر، GA به طور گسترده ای برای حل
تعداد بسیار زیاد مشکلات مربوط به هیدرولوژی و مخازن آبی به کار رفته است. برخی از مزیت های مدل GA موارد زیر می باشند:
(a) شایستگی نیرومند کنار آمدن با بهینه سازی سراسری سیستم غیرخطی
(b) یک توانایی قوی برای حل مشکلات بسیار غیرخطی، غیر محدب.
GA ممکن است یک تکنیک بسیار کارآمد برای از عهده برآمدن مشکل ابعادی زمانی که با تکنیک های بهینه سازی دیگر ترکیب می شود باشد مثل تحقیق هوآنگ و همکاران که GA یا DP برای بهینه سازی یک سیستم چند مخزنی ترکیب شد. اگر چه GA برخی معایب را نشان می دهد: (a) سختی وضوح محاسبه راه حل های عملی تحمیلی و نگهداری در جمعیت (b) افزایش در تعداد متغیرها نسبت به اندازه افق بهینه سازی، به طوریکه متغییرهای هر مرحله زمانی یک متغییر وضعیت یا تصمیم گیری می شوند، مشکل همگرا شدن را می افزاید. برخی از این مشکلات اگر استراتژی های بهینه ای با برخی روش ها پارامترسازی شود مانند موردی که در این مطالعه توسعه یافته است، می توان غلبه کرد. به طور معمول GA از 4 نوع اصلی از اپراتورها برای ایجاد شدن، در هر نسل جدید
GA، یک جمعیت جدیدGA بر اساس مورد قبلی استفاده می کند.
این اپراتورها ممتاز، انتخاب، کراس اور و جهش می باشد. اپراتورهای ممتاز می توانند متعهد شوند که بهترین افراد یک جمعیت به طور اتوماتیک برای نسل بعد انتخاب خواهند شد. اپراتور انتخاب مسئول انتخاب افراد (که والدین خواهنده می شود) می باشد به طوریکه دو اپراتور بعدی به کار می رند. اپراتور کراس اور دو والد برای ایجاد فرزندان برای نسل بعدی ترکیب می کند. و در نهایت اپراتور جهش که تغییرات تصاوفی در هر والد برای ایجاد فرزندان برای نسل بعدی ترکیب می کند. و در نهایت اپراتور جهش که تغییرات تصاوفی در هر والد برای تولید فرزندان و برای نسل بعدی ایجاد می کند. بوسیله آزمون و خطا، ما بهترین مجموعه و پارامترها را برای مدل GA *** شد به صورت زیر شناسایی کردیم: تعداد افراد ممتاز به تعداد پنج مورد، اندازه جمعیت نهایی حدود 200فرد، تابع برازندگی امتیاز دهی «رتبه» و توابع کراس اور «مخلوط» و «پخش شده» پارمترهای دیگر مورد استفاده برای مدل GA توابع جهش «ساده»و «غیر واحد»، سهم کراس اور متییر در دامنه 75% تا 95% تغییر می کند که بستگی به تعداد نسل و

فایل : 39 صفحه

فرمت : Word