استفاده از شبکه عصبی مصنوعی در تعیین سطح آب زیر زمینی(Ground Water Table)

استفاده از شبکه عصبی مصنوعی در تعیین سطح آب زیر زمینی(Ground Water Table)

فرزاد فرخ‌زاد

1-       بابل،سه راه فرهنگ،کوچه فرهنگ 7،کوچه شهید شافعیان،پلاک 102، کدپستی36566-47139

تلفن: [phone]،

2-مجتمع فنی مهندسی نوشیروانی بابل ، دفتر ریاست   تلفن: [phone]

آدرس پست الکترونیکی: [e-mail]

چکیده:

سطح آب زیرزمینی در اکثر پدیده های ژئوتکنیکی مانند تعیین پتانسیل روانگرایی ، گسیختگی خاک ، پایداری شیروانی ها،طراحی پی ، تعیین نشست پی و.... تاثیر گذار می باشد در نتیجه تعیین سطح آب زیرزمینی از ملزومات محاسبات ژئوتکنیکی می باشد. به منظور تعیین سطح آب زیرزمینی و لایه بندی خاک به علت نقش مهمی که در مطالعات ژئوتکنیکی ایفا می کنند نیاز به کاوش های محلی از جمله حفر گمانه های متعدد می باشد که با توجه به گستره طرح تعداد گمانه ها افزایش می یابد. این امر همواره از لحاظ اقتصادی و زمانی با محدودیت همراه می باشد. بنابراین امروزه استفاده از روش هایی که لزوم انجام آزمایشات صحرایی و آزمایشگاهی، به طور کلی هزینه و زمان را کاهش دهد مانند استفاده از سیستم های هوشمند مورد توجه قرار گرفته است.در این پژوهش با استفاده از شبکه عصبی مصنوعی  به پیش بینی سطح آب زیرزمینی در مناطقی که اطلاعات گمانه موجود نمی باشد پرداخته شده است.

کلمات کلیدی: هوش مصنوعی_شبکه عصبی مصنوعی_آب زیرزمینی_لایه بندی خاک_گمانه_مطالعات ژئوتکنیک

1- مقدمه:

مقاوم سازی سازه و تاسیسات در ارتباط با شرایط و ویژگی های ساختگاه از اهمیت و حساسیت زیادی برخوردار گردیده است و این امر جز به کمک مطالعات ژئوتکنیک خاک  ساختگاه میسر نمی گردد.

انجام هرگونه مطالعات ژئوتکنیک به داده هایی از قبیل لایه بندی خاک ، وزن مخصوص لایه ها، پارامتر های مقاومت برشی

(C و j) و در موارد تحلیل دینامیکی به سرعت موج برشی و G نیاز می باشد.از موارد دیگری که در مطالعات ژئوتکنیکی بسیار حائز اهمیت می باشد تعیین سطح آب زیرزمینی در گستره منطقه طرح است .این پارامتر در تمامی محاسبات خاک تاثیرگذار می باشد.

قابل قبول‌ترین طبقه‌بندی آب های زیر سطح زمین  مربوط به منزر (Meinzer)، متخصص آبهای زیرزمینی در سازمان زمین‌شناسی آمریکاست که در سال 1923 ارائه نمود. براساس این طبقه‌بندی اگر از سطح زمین بطرف پایین حرکت کنیم سه منطقه متمایز را در رابطه با آب زیرسطحی مشاهده خواهیم کرد که عبارتند از منطقه هوادار (zone of aeration) ،منطقه نوار مویینگی (zone of capillary fringe) و منطقه اشباع (zone of saturation) .در منطقه هوادار آب بصورت رطوبت موجود بوده و علاوه بر آن برخی از منافذ خاک با هوا پرشده‌اند. این آب گرچه ممکن است دارای حرکت باشد اما از نظر حفر چاه، بهره‌برداری اقتصادی از آن امکان‌پذیر نمی‌باشد.

 در منطقه نوار مویینگی آب در اثر نیروهای بالا دهنده مویینگی (capillary force) از قسمت اشباع بالا کشیده شده و لذا قسمتی از خاک را بصورت اشباع درمی‌آورد. این لایه بصورت نواری که ضخامت آن بسته به ریزی و درشتی منافذ خاک از چند سانتیمتر تا چند متر ممکن برسد است از آب اشباع است اما چون توسط نیروهای مویینگی نگهداری می‌شود قابل استخراج نبوده و آب در داخل آن دارای فشار مثبت که بتواند آزادانه حرکت کند نمی‌باشد. منطقه اشباع در زیر این لایه قرار گرفته و آب در داخل آن در منافذ درشت آزادانه در اثر نیروی ثقل جابجا می‌شود. آب زیرزمینی واقعی نیز به همین آب اطلاق می شود.

شبکه عصبی مصنوعی در واقع مدل ساده شد های از شبکه اعصاب انسان می باشد. این شبکه در واقع یک ساختار ریاضی است که توانایی نشان دادن فرایندها وترکیبات دلخواه غیر خطی جهت ارتباط بین ورودی ها وخروجی های هر سیستمی را دارا است. این شبکه با داد ه های موجود طی فرایند یادگیری، آموزش دیده و جهت پیش بینی در آینده مورد استفاده قرار می گیرد.

در این پژوهش به تعیین سطح آب زیرزمینی توسط شبکه عصبی مصنوعی پرداخته شده است. دلیل استفاده از این روش صرفه جویی در هزینه و زمان است که با دقت قابل قبول همراه می باشد.

2-هوش مصنوعی:

پیشرفت روزافزون علوم وتکنولوژی ، انسان را واداشته است که ، سیستم هایی را ابداع نما ید که رفتار اورا تقلید می کنند . در نیل به ا ین هدف ، اولین گام کوشش به منظور ایجاد هوش مصنوعی بوده است .

 هوش مصنوعی (Artificial Intelligence) بطور خلاصه ترکیبی است از علوم کامپیوتر، فیزیولوژی و فلسفه. این شاخه از علوم بسیار گسترده و متنوع است و از موضوعات و رشته های مختلف علوم و فن آوری، مانند مکانیزم های ساده در ماشین ها شروع شده، و به سیستم های خبره ختم می شود. هدف هوش مصنوعی بطور کلی ساخت ماشینی است که بتواند فکر کند.در این مقاله از شبکه عصبی مصنوعی به عنوان زیر مجموعه ای توانمند از هوش مصنوعی استفاده شده است.

3-شبکه عصبی مصنوعی(Artificial Neural Network) :

شبکه عصبی پردازنده موازی گسترده ای است که از واحدهای پردازشگر ساده ای تشکیل شده که توانایی ذخیره سازی دانسته های تجربی و آماده سازی آن برای کاربردهای بعدی را دارا می باشد.

با استفاده از دانش برنامه‌نویسی رایانه می‌توان ساختار داده‌ای طراحی کرد که همانند یک نرون عمل نماید. سپس با ایجاد شبکه‌ای از این نرون‌های مصنوعی به هم پیوسته و ایجاد یک الگوریتم آموزشی برای شبکه و اعمال فرایند آموزش را تکمیل نمود.

قدرت محاسباتی شبکه عصبی همان گونه که قبلاً ذکر شد به دلیل ساختار موازی گسترده ، توانایی یادگیری و تعمیم دادن این تجربیات می باشد. تعمیم به معنی تولید  خروجی های منطقی جدید برای داده هایی است که در روند یادگیری و آموزش شبکه وارد نشده باشند. این دو خاصیت در پردازش اطلاعات، شبکه های عصبی را قادر به حل مسائل پیچیده ای در مقیاس گسترده می کند که تا کنون قابل حل نبوده اند. البته در عمل شبکه های عصبی به تنهایی قادر به ارائه راه حل نمی باشند، بلکه باید با یک روش سیستماتیک مهندسی آمیخته گردند.

1-3 -  یادگیری در نرون های مصنوعی

     وضعیت ارتباطات شبکه عصبی مصنوعی با شبکه عصبی طبیعی متفاوت است. ارتباطات نرونی در این مقوله کاملاً به صورت فرمول های ریاضی قابل بیان می باشند و در مورد یادگیری نیز دارای وضعیتی کاملاً متفاوت با یادگیری در شبکه اعصاب طبیعی می باشد. در یادگیری شبکه اعصاب طبیعی یک اصل مهم وجود دارد وآن تقویت قدرت اتصالهای سیناپتیکی درمسیرهایی که باید تقویت شوند می باشد و همین مسئله سبب ایجاد یادگیری می شود. در یادگیری شبکه اعصاب مصنوعی نیز این اصل حفظ شده است و پایه قوانین اصلی آموزش در شبکه های عصبی می باشد ولی نحوه آموزش متفاوت است. در شبکه عصبی مصنوعی نیز یادگیری بر پایه تقویت ارتباطات و اتصالاتی است که سبب تولید پاسخ صحیح  گردد، می باشد.

     در شبکه عصبی آنچه که سبب تولید پاسخ می شود، ورودی های مجموعه هستند که در واقع مجموع وزنی ورودی های به شبکه است. سپس در تابع انتقالی این مجموع وزنی اگر از حد آستانه بالاتر باشد، سبب تولید خروجی یک و اگر کمتر باشد، خروجی صفر تولید می گردد.

     اگر تولید جواب یک مطلوب باشد و جواب یک تولید شود که وضعیت مطلوب است ولی اگر اینطور نشد و صفر تولید شد، باید ضرائب وزنی اعمالی به ورودی ها طوری افزایش پیدا کند که مقدار جمع وزنی ورودی ها از مقدار آستانه تجاوز کند و در این حالت است که خروجی یک تولید می گردد. در مورد خروجی صفر نیز وضعیت مشابه همین حالت است. بدین صورت اگرخروجی صفر مطلوب بود یعنی وزن ها مناسب هستند،ولی اگر اینطور نباشد، باید وزن های ارتباطی اعمالی ورودی ها طوری کاهش پیدا کندتا جمع وزنی ورودی ها از سطح آستانه پایین تر آید تا خروجی صفر تولید شود.

   جهت طبقه بندی نرون ها در شبکه عصبی مصنوعی باید به جایگاه مکانی نرون ها در ساختار کلی شبکه توجه نمود. بر این اساس نرون ها در سه لایه پیکربندی خواهند شد که مطابق با شکل زیر

 می باشد. این لایه ها عبارتند از :

1-لایه های مختلف شبکه عصبی

1-1-3-لایه ورودی ( Input Layer)

     معمولاً در این لایه مقادیر ورودی ها دریافت می گردد. تعداد نرون ها در این لایه با توجه به آنالیزخاص مورد استفاده درمسئله پیشنهاد داده می شود.

2-1-3-لایه خروجی (Output Layer )

     نرون های موجود در این لایه، مقادیر خروجی شبکه را تولید می نمایند. تعداد این نرون ها نیز همانند لایه ورودی  بر اساس فرمول بندی مسئله مشخص می گردد.

3-1-3-لایه پنهان ( Hidden Layer )

 نرون های موجود در این لایه وظیفه استخراج خروجی ها و ارتباط میان ورودی ها و  خروجی ها را بر عهده دارند. معمولاً تعداد نرون ها در این لایه توسط آزمون و خطا تعیین  می گردد تا بهینه ترین و نرمال ترین حالت که دارای جواب هایی با کمترین خطا هستند انتخاب گردد.

     تعداد لایه های پنهان هر شبکه در ارتباط مستقیم با قابلیت ها و توانایی های شبکه طراحی شده می باشد و برای بهترین حالت عملکرد شبکه باید تعداد بهینه  لایه های پنهان به طور مناسب مشخص شوند.

شبکه عصبی مصنوعی در واقع مدل ساده شد های از مغز انسان می باشد. این شبکه در واقع یک ساختار ریاضی است که توانایی نشان دادن فرایندها وترکیبات دلخواه غیر خطی جهت ارتباط بین ورودی ها وخروجی های هرسیستمی را دارا  است. این شبکه با داده های موجود طی فرایند یادگیری، آموزش دیده و جهت پیش بینی در آینده مورد استفاده قرار می گیرد.

دیدگاه جدید شبکه های عصبی در دهه 40 قرن بیستم آغاز شد. در آن زمان نشان داده شد که شبکه های عصبی می توانند هر تابع حسابی ومنطقی را محاسبه نمایند هر شبکه از یک لایه ورودی و یک لایه خروجی و یک یا چند لایه میانی تشکیل شده است. نرونهای هر لایه بوسیله وزن هایی به نرون های لایه بعدی متصل می شوند.

  کارکرد شبکه های عصبی شامل دو مرحله می باشد : آموزش(Learning)وآزمایش Testing  شبکه  عصبی  ابتدا ارتباط بین ورودی- خروجی را از یک دسته آموزشی که به شبکه داده  می شود فرا می گیرد و سپس در برابر دسته آزمایشی که در حین آموزش به شبکه داده نشده باشد، آزمایش می شود تا قابلیت عمومی سازی شبکه، قدرت شبکه تربیت شده و درک روابط بین ورودی و خروجی اندازه گیری شود.آموزش با اصلاح کردن پارامترها ( وزنهای ارتباطی ومقدار آستانه )صورت می گیرد.       هدف از آموزش شبکه، تنظیم وزن ها بگونه ای است که با بکاربردن یک دسته از ورودی های دلخواه، خروجی های مناسب تولید شوند.

 روشی که برای آموزش شبکه به کار می رود، الگوریتم آموزش نامیده می شود که وظیفه آن اصلاح وزن نرون های شبکه است و این اصلاح طوری انجام می گیرد که ما را به سمت هدفی از پیش تعیین شده راهنمایی کند.( 5و1)

شبکه های عصبی قابلیت درونی برای انطباق وزن ها با تغییرات محیط اطراف را دارند. به خصوص یک شبکه ترتیب شده برای یک محیط خاص را می توان دوباره  برای کار  با  تغییرات  جزئی در محیط آموزش داد. به  علاوه  هر چه  قابلیت انطباق یک سیستم بیشتر باشد، اطمینان به پایدار بودن آن  در یک محیط غیر ایستا بیشتر خواهد بود. همچنین باید تأکید نمود که قابلیت انطباق همواره ممکن است به عملکرد قوی منجر نشود، بلکه حتی ممکن است در جهت عکس عمل نماید. برای مثال یک سیستم انطباق دهنده با متغیرهای کوچک زمانی ممکن است به سرعت تغییر کند و در این صورت ممکن است نسبت ورودی های نادرست و جعلی عکس العمل نشان دهد و این امر موجب افت مؤثر عملکرد سیستم خواهد شد. برای استفاده مفید از خاصیت انطباق در یک سیستم باید مطمئن شد که بازه های زمانی به اندازه ای طولانی باشندکه سیستم بتواند از ورودی های نادرست صرف نظر کند و در عین حال به اندازه ای کوتاه انتخاب شوند تا شبکه قادر باشد تغییرات قابل قبولی را در نتایج اعمال کند.

4-مدلسازی خاک

مدل نمادی از واقعیت است که مهمترین ویژگی­های دنیای واقعی را به صورتی ساده و کلی بیان می­کند. مدل­ها ابزارهایی عملی هستند که می­توان به کمک آنها به درکی از واقعیت البته نه کل آن بلکه بخش مفید و قابل فهم آن دست یافت. مدل­ها می­توانند درک چگونگی رفتار یک سیستم را میسر سازند و از این لحاظ حائز اهمیت هستند.

در این بخش به مدلسازی خاک در محیط نرم افزار پرداخته می شود.نرم افزار STATISTICA  از جمله نرم افزار های توانمند در زمینه شبکه عصبی مصنوعی می باشد.از مزایای این نرم افزار طراحی ویژه آن جهت شبکه عصبی مصنوعی و پروسه مدلسازی آسان آن می باشد.

در انتخاب و استفاده از گمانه ها، مشخص نمودن محل دقیق محدوده طرح مطرح است به این ترتیب مختصات دقیق گمانه ها مشخص گردید تا اطلاعات گمانه هائی که در این منطقه قرار دارند مورد استفاده قرار گیرند. بنابراین انتخاب پارامترهای ورودی برای شبکه عصبی که قابلیت پیشگوئی در مورد سطح آب زیرزمینی داشته باشد رابطه مستقیمی با مختصات و اطلاعات گمانه های انتخابی خواهد داشت. با توجه به اطلاعات موجود در برگه شناسائی گمانه هایی انتخاب گردیدکه براین اساس محدودیتی از نظر اطلاعات مورد نیاز وجود نداشته باشد.

پس از انتخاب متغیرهای ورودی و خروجی و اطمینان از صحت و اعتبار داده ها در مورد سطح آب زیرزمینی  ، گام بعدی انتخاب تعدادی از داده ها برای آموزش و گزینش آنها از میان داده های موجود می باشد. جهت انتخاب درست باید به این نکته توجه داشت که در آموزش شبکه عصبی، کنترل و آزمایش شبکه در هریک از مراحل ذکر شده پر اهمیت است.

 شبکه عصبی در پیش بینی مواردی که در محدوده داده های آموزشی قرار نداشته اند، عملکرد مناسبی از خود نشان نمی دهد. به عبارتی دیگر این مطلب را اینگونه می توان بیان کرد که شبکه های عصبی قدرت بسیار خوب و مناسبی در درونی مسائل دارند.

در مرحله بعد الگوی  Back propagationانتخاب گردید سپس گزیش شبکه ای که نتایج قابل قبولی ارائه دهد مهم است که نرم افزار انتخابی با توجه به پارامترهای ورودی مناسب ترین شبکه را انتخاب می نماید البته با توجه به داده های ورودی از شبکه های دیگری نیز استفاده شد که در نتایج آن ها خطای بیشتری نسبت به شبکه پیشنهادی نرم افزار همراه بود. (2و3)

همانگونه که دربخش قبل بیان شد، الگوریتم انتخابی جهت آموزش شبکه، Back propagation می باشد. در ادامه جهت تکمیل شبکه و روند آموزشی آن نیاز است دیگر پارامترهای مهم در آموزش از قبیل لایه های پنهان، تعداد نرون، تعداد تکرار، توابع خطا مناسب و پارامترهای مربوط به نرخ یادگیری، نویز و اندازه حرکت به صورت سعی و خطا مشخص شوند.

پیش از آموزش باید توجه داشت که گزینه مربوط به کنترل هم زمان نتایج ( Cross Verification ) و انتخاب درهم الگوها(Shuffle Sase) در پنجره الگوریتم آموزش فعال باشد. هنگام پیشرفت فرآیند آموزش، امکان مشاهده نمودار تغییرات خطا به طور مجزا برای داده های آموزشی وجود دارد. در این نمودار میزان خطای شبکه بر حسب تکرارهای انجام شده رسم می شود. همچنین مقادیر خطا مربوط به هر یک از داده های آموزش توسط نرم افزار محاسبه گردیده و در یک نمودار میله ای نیز قابل مشاهده می باشد.

5-مقایسه نتیجه شبکه عصبی مصنوعی با نتیجه گمانه واقعی:

پس از به پایان رسیدن فرآیند آموزش شبکه نوبت به کنترل عملکرد آن در برابر  داده های جدید ( قدرت تعمیم شبکه ) می رسد. برای این منظور مجموعه ای جداگانه شامل اطلاعات 3 گمانه که در آموزش شبکه به کار نرفته اند، انتخاب شده است. سپس با استفاده از شبکه عصبی تربیت شده پیش بینی وقوع روانگرائی متناظر در هریک از این سه گمانه به دست آمده اند.

گمانه های شاهد از میان داده های موجود انتخاب شده اند و در انتخاب آنها سعی شده است برای فراهم آوردن امکان کنترل صحیح عملکرد شبکه عصبی در گستره طرح از پراکندگی مناسبی در منطقه مورد مطالعه برخوردار باشند.

 استفاده از شبکه عصبی برای تخمین عمق آب زیرزمینی در گمانه های شاهد دقیقاً به همان ترتیبی صورت می گیرد که هنگام ورود اطلاعات در مرحله آموزش انجام گرفته بود.

در انتها پس از اجرای برنامه در یک نقطه که اطلاعات لایه بندی آن موجود می باشد نتیجه زیر حاصل گشت که به صورت شماتیک رسم شده است.

2-نتایج مقایسه شبکه عصبی مصنوعی با گمانه های موجود

6-نتیجه گیری:

_با توجه به نتایج حاصل شده، اطلاعات به دست آمده از شبکه عصبی مصنوعی در بررسی پدیده های ژئوتکنیکی مانند تعیین پتانسیل روانگرایی ، گسیختگی خاک ، پایداری شیروانی ها،طراحی پی ، تعیین نشست پی از دقت قابل قبولی برخوردار می باشد.

-در مقایسه با روش های موجود و مرسوم، تکنیک شبکه عصبی نیازمند استفاده از فرضیات و ساده سازی های گوناگون و مدل سازی پیچده ریاضی نمی باشد.

 _استفاده از محیط بسته بجای استفاده از پراکندگی داده ها با نتایج بهتری همراه می باشد.

_با افزایش گمانه ها در حین آموزش شبکه دقت پیش بینی نیز افزایش می یابد.

_شبکه عصبی مذکور می تواند به خوبی کار تشخیص ژئوتکنیک در زمینه درون یابی را انجام دهد و یا حداقل راهنمای مناسبی برای افزایش دقت و سرعت در بدست آوردن نتایج مربوطه باشد.

_نخستین و اساسی ترین گام در مطالعه مدل های تجربی برای پدیده های طبیعی، گردآوری مجموعه داده های مناسب می باشد با توجه به اینکه علی رغم تعداد مناسب داده های حاضر، اطلاعات کمی در مورد سایر پارامترها نظیر درصد رطوبت، درجه اشباع، درصد فضای خالی وجود دارد، پیشنهاد می گردد تلاش های آینده به جمع آوری داده های کامل تر معطوف گردد.

مراجع:

]1 [آر. بیل وتی. جکسون: "آشنایی با شبکه های عصبی" ترجمه دکتر محمود  البرزی انتشارات دانشگاه شریف 1380.

[2] Ameskamp M., (1997) “Three dimensional rule-based continuous soil modeling”, PhD dissertation, Tech. Rep. 9701, Faculty of Engineering, Kiel University, Kiel, Germany

[3] Banimahd M., Prediction of Undrained behavior of fine sands using Artificial Neural Networks, Master’s dissertation, Tarbiat Modarres University, Tehran, Iran 2002.

[4] Cal Y., (1995) “Soil Classification by Neural Networks”, Advances in Engineering Software 22 (1995), Elsevier Science Publications,  pp. 95-97.

] 5 [نوری،یوسف،;(1380)" معرفی شبکه های عصبی مصنوعی و کاربرد آن در ژئوتکنیک " سمینارکارشناسی ارشد، دانشگاه مازنداران،

]6[ حسینی، سید سجاد(1382)،" معرفی شبکه های عصبی مصنوعی و کاربرد آن در عمران" پایان نامه کارشناسی ارشد،دانشگاه مازنداران.