|
عنوان
|
تهیه الگوهای بهینه بهره برداری از کانالهای آبیاری با استفاده از شبکه های عصبی مصنوعی و الگوریتم یادگیری تقویتی
|
|
نوع پژوهش
|
پایان نامه
|
|
کلیدواژه‌ها
|
الگوریتم یادگیری تقویتی، بهرهبرداری، کانال آبیاری، بهینه سازی ، شبکه عصبی مصنوعی
|
|
چکیده
|
گسترش روزافزون جمعیت، توسعه کشاورزی و رشد سریع شهرها و صنایع، هر روزه رقابت و تقاضای آب را افزایش میدهتد. ارتقاء بهرهوری مصرف آب در بخش کشاورزی که بزرگترین مصرف کننده آب میباشد نقش مهمی در بهبود مصرف آب خواهد داشت. روشهای توزیع و تحویل آب نقش تعیین کنندهای در انعطافپذیری سامانههای آبیاری و بهبود بهرهوری آب دارند. از میان این روشها، روش برحسب درخواست انعطافپذیری بیشتری نسبت به روش گردشی دارد و نیاز به زیرساختهای پرهزینهی روش برحسب تمایل را نیز ندارد. در این روش، تنظیم مناسب سازهها و دستورالعمل بهرهبرداری آنها در فاصله بین درخواستهای متوالی که تابعی از میزان تغییرات دبی، فاصله زمانی تغییرات، همزمانی درخواستهای متعدد، ویژگیهای فیزیکی کانال و سازهها و رفتار هیدرودینامیک جریان میباشد، پیچیده است. با توجه به کاربرد موفق شبکه عصبی مصنوعی در بسیاری از مسائل، در این تحقیق شبکههای عصبی MLP و RBF معرفی شده و از آنها برای تعیین دستورالعمل بهرهبرداری روش برحسب درخواست در کانالهای آبیاری استفاده شده است. بهمنظور انجام این تحقیق در آبگیرهای مختلف کانال عقیلی شرقی از شبکه آبیاری عقیلی در استان خوزستان گزینههای مختلف تحویل و توزیع آب بهصورت سناریوهای مختلف تعریف گردید. سپس با استفاده از مدل هیدرودینامیک ICSS و شبکه عصبی اقدام به شبیهسازی این گزینهها گردید و دستورالعملهای مناسب بهرهبرداری شامل مقادیر تنظیمات سازههای آببند و آبگیر با توجه به حداکثر نمودن شاخصهای راندمان MPF و کفایت تحویل MPA ، و حداقل نمودن شاخصهای عدالت MPE و پایداری MPD بهدست آمد. در این تحقیق برای آموزش شبکه عصبی مصنوعی از دادههای دبی تحویلی و بازشدگی متناظر آنها در ده فصل زراعی کانال عقیلی شرقی استفاده گردید. در نهایت نتایج به دست آمده از این تحقیق با نتایج بهرهبرداری مشابه انجام شده با استفاده از روش یادگیری تقویتی FSL مقایسه شد. با توجه به نتایج بدست آمده مشاهده میشود که شاخص MPA در روش شبکه عصبی در دو بلوک اول و دوم این کانال به ترتیب برابر 952 / 0 و 919 / 0 و در حالت استفاده از روش FSL این مقادیر بهترتیب برابر 996 / 0 و 1 میباشند. همچنین شاخص MPF در شبیهسازی با استفاده از شبکه عصبی در هر دو بلوک 1 و در حالت FSL برابر 999 / 0 و 971 / 0 میباشد. شاخص حداکثر خطای سطح آب MAE نیز در تحقیق صورت گرفته در بلوک اول و دو
|
|
پژوهشگران
|
کاظم شاه وردی (استاد راهنما)، حسام قدوسی (استاد راهنما)، فاطمه بیات (دانشجو)
|