مقدمه

کمبود آب قابل استفاده در شرب و کشاورزی در بسیاری از مناطق جهان باعث شده است که در برخی از مناطق آب همانند کالاهای ارزشمندی مانند نفت و گاز مورد معامله قرار بگیرد. این در حالی است که برخی نظرات بر این است که معامله آب می تواند خطری بزرگ برای انسان ها باشد زیرا انتقال آب در بسیاری از تجربه ها نشان داده است که مبدا و مقصد نتوانسته اند در شرایط جدید از آب بهینه استفاده کنند به عنوان مثال با گسترش کشاورزی و صنعت در مقصد و نابودی شرایط پایدار گذشته در مبدا و مقصد، همچنین دستکاری در شرایط طبیعی و صد البته ناکار آمدی برنامه های مدیریتی باعث بوجود آمدن مشکلات زیست محیطی و تغییراقلیم شده است. امروزه 1.2 میلیارد انسان که به صورت تقریبی 20 درصد جمعیت بشر را تشکیل می دهند در مناطقی زندگی میکنند که با تنش آبی شدید دست و پنجه نرم می کنند. تخمین زده شده که در سال 2025 بیش از 1.8 میلیارد نفر در شرایط بی آبی مطلق خواهند بود و حدود دو سوم جمعیت جهان در شرایط تنش آبی به سر خواهند برد. مشکلات منابع آبی در سالهای اخیر بسیار حادتر از گذشته شده اند به عنوان مثال می توان از کاهش میزان ذخایر آب های زیرزمینی، نفوذ شوری به آبخوان های ساحلی، کاهش شدید جریان های سطحی و وقوع رخ دادهای سیلابی شدید نام برد.
تلاش برای ثبت و مدیریت بهتر از آب باعث بوجود آمدن روش های متعددی برای داده کاوی متغییرهای شرایط بحرانی هیدرولوژیکی و مدیریتی آب شده است. ارتباط بین تکنولوژی های جدید و مدیریت آب باعث ایجاد سیستم های نظارتی و کسب اطلاعات (SCADA) جدیدی شده است. SCADA شامل ابزارهای اندازه گیری با دقت بالا، انتقال و ذخیره سازی اطلاعات مدیریتی و هیدرولوژیکی با هر فرکانس زمانی دلخواه (ثانیه، دقیقه و ساعت) است. علاوه بر این SCADA میتواند بر اساس تصمیمات مدیریتی اطلاعات ذخیره شده را مورد واکاوی قرار دهد.
ابزارهای نمایش داده ها مانند سیستم های اطلاعات جغرافیایی (GIS) با موفقیت بسیاری در آنالیز مکانی عمل کرده اند. با این حال سیستم های ثبت داده و SCADA که بسیار مورد استفاده قرار گرفته اند اغلب با توجه به اینکه داده های ثبت شده در دوره آماری بلند مدتی وجود دارند و همچنین زمان پیاده سازی و اجرای این سیستم ها ممکن است طولانی باشد به دلایل متعددی به نتایج ارزشمندی دست پیدا نمی کنند.
باتوجه به مشکلات روزافزون آبی و انباشته شدن مداوم اطلاعات هیدرولوژیکی و احتیاج به تصمیم گیری های مدیریتی لحظه ای، نیاز به ابزار سریع و دقیق واکاوی اطلاعات احساس می شود. شبکه های عصبی مصنوعی (ANNs) به نوعی همان شبکه های هوشمند مصنوعی هستند که مطابق با مغز انسان با استفاده از آموزش که توسط داده ها انجام می پذیرد آماده سازی می شوند. مطابق با ساختار ریاضی که این مدل ها دارند، ANNs قابلیت تهیه پیش بینی های بسیار دقیق در هر موردی با استفاده از داده های قابل اندازه گیری مانند سطح آب، عوامل آب و هوایی، رواناب های سطحی و یا میزان برداشت ها را دارند. این مدل ها به صورت وسیعی در مهندسی آب شامل پیش بینی سطح ایستابی، پروسه تصفیه آب، پیش بینی جریان های سطحی، گسترش جلبک ها در پهنه های آبی و تخصیص منابع آب را دارند.

تفاوت های مدل های فیزیکی و شبکه های عصبی مصنوعی

مدل های فیزیکی مانند مدل های تحلیلی و مدل های عددی با توجه به شرایط فیزیکی و معادلات حاکم بر آن ها بنا نهاده شده اند. برای مثال مدل عددی جریان آب زیرزمینی MODFLOW که توسط سازمان USGS توسعه پیدا کرده و در سرتاسر جهان از آن استفاده می شود با استفاده از معادلات پایه نظیر قانون بقای جرم و مومنتوم و تلفیق این این روش ها با رفتار آب در آبخوان و روش های عددی برای حل این معادلات بوجود آمده است. اساس جریان در این مدل تقریبی از قانون دارسی است که با فرض حرکت آب در حفره ها تحت شرایط جریان ورقه ای بوجود آمده است. این مدل زمانی قابل استفاده است که پارامترهای محیطی وسیعی به آن معرفی شود و همچنین حصول نتیجه دقیق به میزان دقت ورودی ها و فرض هایی که در مدل لحاظ می شود، بستگی دارد. در دنیای حقیقی جریانات آب زیرزمینی به متغییرهای بسیار وسیعی مانند مشخصات خاک، بازه زمانی، جهت جریان، نوع جریان (دائمی و غیر دائمی) ارتفاع سنگ کف، میزان تخلخل، شرایط اشباع و غیراشباع و بسیاری دیگر وابسته هستند. معرفی این پارامتر به مدل های عددی و ایجاد ارتباطات منطقی بین این پارامترها گاها سخت و در برخی موارد غیرقابل انجام است. با توجه به این موارد این مدل ها زمانی قابلیت شبیه سازی و پیش بینی با دقت بالا را دارند که اطلاعات درست و دقیقی دریافت کنند و همچنین این اطلاعات در گستره زمانی و مکانی کامل باشد که عملا این امکان وجود ندارد به خصوص در مورد سطح تراز آب در مدل سازی جریانات آب زیرزمینی.
بر خلاف مدل های ذکر شده، شبکه های عصبی مصنوعی با هیچ نوع محدودیت فیزیکی و فرضیات ریاضی مواجه نیستند. علاوه بر این،شبکه های عصبی مصنوعی احتیاجی به داده هایی که به سختی از محیط داده برداری می شوند ندارند مانند هدایت هیدرولیکی یک منطقه وسیع که احتیاج به نمونه برداری های بسیاری است. در عوض شبکه های عصبی مصنوعی به صورت مستقیم از داده های قابل اندازه گیری مانند سطح آب، مقادیر پمپاژ و مقادیر بارش آموزش می بینند. این یکی از برتری های شبکه های عصبی مصنوعی نسبت به مدل های قدیمی فیزیکی است که میتوانند از داده های سهل الوصول و قابل دسترسی استفاده کنند.
در استفاده از داده های تاریخی شبکه های عصبی مصنوعی بدون توجه به تغییرات پایه ای نسبت به شبیه سازی عمل می کند به عنوان مثال ایجاد یک چاه جدید در منطقه برای این نوع مدل که طول دوره داده های آن مطابق با سایر داده ها نیست وارد فرایند مدل نمیشود که از ضعف های شبکه های عصبی مصنوعی در مقایسه با مدل های فیزیک هستند. البته همانطور که ذکر شده است این مدل های احتیاجی به تمامی پارامترها ندارند و می توان از برخی از آن ها صرف نظر کرد.

[image src=”” width=”” height=”” align=”” border=”0″ margin_top=”” margin_bottom=”” link=”” link_image=”” target=”” alt=”” caption=”” greyscale=”0″ animate=””]

برتری شبکه های عصبی مصنوعی

یکی از برتری های این مدل ها نسبت به مدل های عددی، کسب اطلاعات زمان حال است به طوریکه می توانند به راحتی شبیه سازی و پیش بینی های هیدرولوژیکی و مدیریتی را نسبت به زمان حال انجام دهند. پارامترها و شرایط مرزی در مدل های عددی معمولا به مقدار فرض اولیه در هنگام واسنجی همگرا می شوند که ممکن است با شرایط واقعی تطابقی نداشته باشد. کسب اطلاعات زمان حال در شبکه های عصبی مصنوعی باعث شده است که احتیاج به زمان طولانی مدت و مقدار فرض اولیه از بین برود و با بازه های زمانی کوتاه تر بتوان به نتیجه رسید.
یکی دیگر از برتری های شبکه های عصبی مصنوعی ساختار ساده ریاضی آن ها است که باعث می شود سرعت عملیات شبیه سازی به چند ثانیه برسد. که بر خلاف این ها مدل های عددی با استفاده از روابط پیچیده ریاضی و روش های پیچیده مجاسبات عددی فرایند شبیه سازی را انجام میدهند. به همین علت گاها به این مدل ها meta-models نامیده می شوند و می توانند جایگزین مناسبی برای مدل های عددی باشند.
یکی از مواردی که باعث شده است اعتماد به مدل های شبکه های عصبی مصنوعی کم باشد این است که چون این مدل های در واقع به نوعی خود محور هستند و به عنوان Black-Box یاد می شوند، ممکن است در پروسه شبیه سازی و پیش بینی از روابط غیرمنطقی از لحاظ فیزیکی استفاده کنند که این برخلاف واقعیت های فیزیکی موجود خواهد بود.
حقیقت این است که هیچ برتری بین این مدل ها وجود ندارد و برتری و ضعف های هرکدام از روش همچنان پابرجاست. در واقع در سال های اخیر با گسترش و بهینه سازی شبکه های عصبی مصنوعی در جوامع دانشگاهی و علمی برخی از محدودیت های این مدل ها و ضعف های آن در حال بررسی است. انتخاب هریک از این مدل ها بسته به نوع دیدگاه افراد به موضوع شبیه سازی نیز وابسته است.