برآورد عملکرد هیدرولیکی سیستمهای آبیاری تحت فشار با استفاده از مدل های شبکة عصبی مصنوعی و رگرسیون ناپارامتری

Abstract

در این مطالعه به منظور برآورد شاخص های عملکرد هیدرولیکی سیستم آبیاری تحت فشار، جایگزینی مدل های هیدرولیکی با استفاده از مدل-های آماری و شبکة عصبی مصنوعی مورد ارزیابی قرار گرفت. ضریب یکنواختی کریستیانسن به عنوان شاخص عملکرد هیدرولیکی، در نظر گرفته شد و با استفاده از یک الگوریتم، مقادیر این شاخص به صورت تابعی از ترکیب های مختلف فشار ورودی، تعداد خروجی ها، فاصلة خروجی ها، ضریب زبری لوله، قطر داخلی، شیب، دبی اسمی خروجی ها، فشار کارکرد خروجی ها و توان معادلة دبی خروجی ها محاسبه گردید (4320 ترکیب مختلف). دو مدل شبکة عصبی مصنوعی شامل شبکة پرسپترون چندلایه (MLP) و شبکة رگرسیون تعمیم‌یافته (GRNN) و نیز روش K نزدیک ترین همسایه (KNN) به عنوان یک مدل رگرسیون ناپارامتری برای شبیه سازی شاخص عملکرد هیدرولیکی لاترال ها مورد آزمون قرار گرفتند. نتایج نشان داد که مدل شبکة عصبی مصنوعی MLP قادر است با کمترین خطا (3-2%) مقادیر ضریب یکنواختی لاترال های آبیاری تحت فشار را با استفاده از مشخصات هیدرولیکی و فیزیکی لاترال برآورد نماید. عملکرد مدل GRNN نیز به ویژه در ارتباط با کل داده ها در سطح نسبتا مطلوبی ارزیابی گردید. اما روش KNN علیرغم شبیه سازی دقیق متوسط مقادیر CU، قادر به شبیه سازی دقیق انحراف استاندارد این مقادیر نبوده و خطای آن در مرحلة آزمون بسیار بیشتر از دو مدل دیگر برآورد گردید. در روش KNN، کمترین مقدار شاخص های خطا مربوط به رگرسیون ناپارامتری با 10 و 15 همسایه می‌باشد. نتایج این مطالعه نشان داد که امکان ساده سازی مدل های پیچیدة هیدرولیکی با جایگزینی کل یا بخشی از این مدل ها با مدل-های ساده تر آماری و شبکه عصبی وجود دارد و این مسئله با توجه به پیچیدگی مدل های هیدرولیکی، به ویژه در فرآیند بهینه سازی سیستم های آبیاری، می تواند مورد توجه قرار گیرد.