Professional Documents
Culture Documents
mail - E ةيئاملا دراوملاو دودسلا ةسدنه مسق / لصوملا ةعماج
mail - E ةيئاملا دراوملاو دودسلا ةسدنه مسق / لصوملا ةعماج
المستخلص
يهدف البحث الحالي الى االستفادة من مخرجات نموذجين رياضيين هما (نموذج للبرمجة الداينمية التصادفية
) الذين تم استخدامهما في ايجاد سياسةISDP ) و (نموذج للبرمجة الداينمية التصادفية الضمنيةESDP الصريحة
التشغيل المثلى لنظام خزن منفرد (خزان سد القائم المقترح على نهر الخوصر) لبناء نموذج شبكة عصبية اصطناعية
لغرض ايجاد عالقة تربط بين حجم الخزين االبتدائي والجريان الوارد الى الخزان من جهة وكمية المياه المطلقة وحجم
.الخزين النهائي من جهة اخرى
وكانت من نوعESDP اعتمد نموذجين لشبكتين عصبيتين اذ تبنت االولى مدخالت ومخرجات نموذج
.2-01-2 وكانت معماريتها بالشكلISDP اما الشبكة الثانية فقد استخدمت مدخالت ومخرجات نموذج.2-6-2
أظهرت النتائج ان هناك توافقا جيدا بين المخرجات المستنبطة من الشبكتين العصبيتين مع مخرجات النموذجين
( إليجاد التوافق بين حجم االطالق المستنبط من الشبكةR2) حيث اجري تحليل احصائي باالعتماد على معامل التحديد
في حين اعطت الشبكة1.9.0 وقد تبين ان قيمة هذا المعامل هيESDP العصبية وحجم االطالق المستنبط من نموذج
والذي يعبر عن مدى التوافق بين مخرجات الشبكة العصبية وتلك المستنبطة من1.81. الثانية معامل تحديد مقداره
وهذا يدلل على امكانية ايجاد سياسة التشغيل المثلى للخزان باستخدام تقنية الشبكات العصبيةISDP نموذج
.االصطناعية
. تشغيل الخزانات، شبكة عصبية اصطناعية، البرمجة الداينمية:الكلمات الدالة
Abstract
The current paper aims to explore the capability of Artificial Neural Network
models (ANN) to calculate the optimal operating policy of a single reservoir system
(Al_Qaim reservoir on the Al_Khosar River). The ANN models proposed in this
research were making use of the outcomes emerged from two Stochastic Dynamic
Programming (SDP) models suggested by previous study on the same reservoir system
i.e. Explicit Stochastic Dynamic Programming and Implicit Stochastic Dynamic
Programming.
The two ANN models have been used to find pattern between inflow and initial
storage of the system in one hand, and the release and the final storage of the system on
other hand. It is found that the topology of the first model which adopted the attributes
of the ESDP is 2-6-2, while that which was implemented the ISDP attributes has a 2-10-2
ANN topology.
The final results prevail that good agreement have been exist between the output
(release) of the proposed ANN models and those obtained by the two (SDP) models with
coefficients of determination 0.934 and 0.803 respectively.
Keywords: Artificial Neural Network, Dynamic Programming, Operation reservoir.
92
Al-Rafidain Engineering Vol.22 No. 2 March 2014
03
عبد المحسن :شبكة عصبية اصطناعية لتشغيل نظام خزن منفرد
x1 w1
b
x2 w2
…
… Out
xn wn
ƒ
∑ )(1
حيث أن :
:ناتج الخطوة االولى.
:قيم االوزان.
:عامل االنحياز.
:المدخالت
:عدد المدخالت
الخطوة الثانية :تتولى معالجة مخرجات الخطوة السابقة وهي دوال رياضية تدعى بدوال التفعيل ( Activation
)Functionحيث تحتوي كل من طبقة االخراج والطبقات المخفية على دالة تفعيل يمكن اختيارها باالعتماد على طبيعة
المسألة .ويمكن الحصول على صافي المخرجات ) (Yمن المعادلة ادناه:
) ( )(3
) ( )(4
تمتلك الشبكات العصبية ميزة مهمة حيث ان لها القدرة على ان تتعلم باألمثلة فاذا زودت هذه الشبكة بأزواج من
البيانات بحيث ان العنصر االول منها هو نمط لمدخالت معطاة والثاني هو المخرجات المرغوبة فان هذه الشبكة تمتلك
القدرة على ان تتدرب لتعدل اوزانها بما يتالءم مع المخرجات المطلوبة .ان هذه االمكانية مهمة وذلك لوجود العديد من
المسائل التي نعلم ماهي نتائجها الصحيحة ولكن ال يمكن ان نلع نهج معين إليجاد العالقة التي تربط بين المدخالت
والمخرجات.
ان الشبكات العصبية ال تبرمج بل انها تقوم بالتعليم وهناك العديد من خوارزميات التعليم ومن اشهرها خوارزمية
االنتشار العكسي ( ) Back propagation Algorithmاذ تعمل هذه الخوارزمية على حساب الخطأ الناتج من الفرق بين
قيمة المخرجات الفعلية للشبكة العصبية وبين القيم المرغوبة .ان المشكلة االساسية هي ان أي تغيرات في االوزان ستقود
الى سلسلة من التأثيرات التي ستتقدم لألمام خالل الطبقات التي تلي مكان التغير في الشبكة .وعليه فان كل هذه التغيرات
01
Al-Rafidain Engineering Vol.22 No. 2 March 2014
يجب ان تؤخذ بنظر االعتبار .ان نظرية االنتشار العكسي تتلمن عمل تصحيحات لألوزان التي تربط الطبقة ما
قبل االخيرة مع الطبقة االخيرة ثم استخدام الحسابات المتلمنة هذه التصحيحات كأساس لحساب التصحيحات للطبقة التالية
والى الخلف حتى يتم الوصول الى طبقة االدخال والحصول على اقل خطأ بين المخرجات المرغوبة والمخرجات الفعلية
للشبكة .ان هذه المرحلة التي تمر بها الشبكة يطلق عليها مرحلة التدريب.
هناك نوعين اساسيين في بناء الشبكات العصبية باالعتماد على االتجاه المزمع تبنيه في عملية اجراء الحسابات
المطلوبة لغرض احتساب مخرجات النموذج المقترح .فان تمت الحسابات بشكل منهجي مبتدئا بطبقة االدخال مرورا بطبقة
(بطبقات) الخفية وصوال الى طبقة المخرجات دون الرجوع الى طبقة االدخال اطلق على تغذية الشبكة بالتغذية االمامية
) )feed-forwardواال سميت بالشبكة ذات التغذية العكسية ) .)feed-backwardتم هذه الدراسة تبني النوع االول نظرا
لكثرة استخدامه في بناء الشبكات المتعلقة بأنظمة الموارد المائية [ .]5يبين الشكل ( )9شبكة العصبية نموذجية ذات تغذية
امامية.
09
عبد المحسن :شبكة عصبية اصطناعية لتشغيل نظام خزن منفرد
00
Al-Rafidain Engineering Vol.22 No. 2 March 2014
يلخص الجدول ( )1تأثير استخدام داالت تفعيل مختلفة وعدد عصبونات مختلفف للطبقفة (للطبقفات) الخفيفة علفى أداء
الشبكة العصبية ،حيث يالحظ أن استخدام دالة التفعيل ( )Tansigmoidفي الطبقة الخفية تتبع بدالة تفعيل من نفوع ()Pure
في طبقة اإلخراج هي األفلل إذ أعطت أقل قيمة للمعيار المعتمفد (معفدل مربفع الخطفأ )MSEلكفال النمفوذجين .يفدلل نففس
الجدول على ان افلل بنية معمارية للشبكة المستخدمة للنموذج ) (ESDPهي ( 9-6-9عصبونان في طبقة المفدخالت – 6
عصبونات في الطبقة الخفية – عصبونان لطبقة المخرجات) .اما نموذج ) (ISDPفان افلل معمارية للشبكة المقترحة هفي
. 9-13-9كما يمثل هذا الجدول نموذج من عدد ال يستهان به من المحاوالت بتغيير عدد الطبقفات الخفيفة وعفدد العصفبونات
في كل طبقفة ونفوع دالفة التفعيفل المسفتخدمة .يالحفظ مفن الجفدول ايلفا ان قفيم معفدل مربفع الخطفأ ( )MSEهفي قفيم كبيفرة
مقارنفة بففالقيم المعتفادة ويمكففن تبريفر ذلففك بفالقول ان البيانففات المسفتخدمة فففي التفدريب لففم يفتم اجففراء عمليفة التقيففيس لهفا (تففم
تدريب احد الشبكات العصبية باالعتماد على عملية التقييس ولم يكن هناك فرق في االداء اال ان قيمة ( )MSEكانت اقل من
الواحد وذلك الن البيانات المستخدمة في التدريب هي اقل من الواحد) .زد على ذلك أن الجدول يدل على أن الشبكة العصفبية
االصطناعية الخاصة بنموذج ) (ESDPهي األفلل في األداء اعتمادا على قيمة ) (MSEالمستخرجة.
الجدول ( : )0داالت التفعيل المختارة لكال النموذجين
دالة التفعيل للطبقة دالة التفعيل لطبقة بنية الشبكة MSE النموذج التصادفي
الخفية المخرجات المقترحة
LOG- TAN TAN 1-9-4-9 0.9 ESDP
PURE- LOG TAN 1-9-5-9 19.50 ISDP
TAN PURE 9-8-9 6.77 ESDP
TAN PURE 9-19-9 13.05 ISDP
TAN PURE 9-6-9 5.40 ESDP
TAN PURE 9-13-9 2.1 ISDP
جرى تدريب الشبكة الخاصة بمعطيات نموذج ESDPعلى سياسات التشغيل المستنبطة لــ 19شهر حيث
يحتوي كل شهر على اربع احتماالت للجريان الداخل الى نظام الخزن وعلى 94حالة من حاالت الخزين االبتدائي ،انظر
المصدر [ ]6رجاء .تتكون سياسات التشغيل من مجموعتين من البيانات تمثل المجموعة االولى مدخالت النموذج وهما
حجم الخزين االبتدائي وحجم الجريان الوارد الى الخزان في حين تتمثل المجموعة الثانية باإلطالق والخزين النهائي
واللذين يعبران عن مخرجات النموذج .تشكلت مجموعة المدخالت من صفين و ( )1159عمود ،كل عمود من هذه األعمدة
يمثل قيمة لحجم الجريان الداخل والخزين االبتدائي ،أما بيانات المخرجات فتلمنت صفين و ( )1159عمودا كل عمود
يمثل قيمة لحجم اإلطالق والخزين النهائي على التوالي .تقوم الشبكات العصبية تلقائيا بتجزئة المدخالت الى ثالث مجاميع
وهي مجموعة للتدريب ( )Trainingواخرى للتحقق ( )Validationواخرى لالختبار( .(Testingتستخدم المجموعة
االولى لتدريب الشبكة العصبية االصطناعية اذ ان غايتها الوصول الى اقل قيمة لمعدل مربع الخطأ ( )MSEفيما استخدمت
المجموعة الثانية لتحقيق افلل اداء للشبكة العصبية االصطناعية اما المجموعة الثالثة فتستخدم لغرض التأكد من التوافق
االدائي لتدريب الشبكة .يوضح الشكل ( ) 6مسار تدريب الشبكة العصبية االصطناعية المقترحة باستخدام خوارزمية
التدريب ( )LMوبنية هندسية ( ) 9-6-9حيث يبين عدد الدورات التكرارية الالزمة للوصول إلى الهدف المعرف مسبقا.
الشكل ( : )6مسار تدريب الشبكة العصبية االصطناعية لنموذج ESDPباستخدام خوارزمية التدريب
()Levenbreg Marqwardt LM
04
عبد المحسن :شبكة عصبية اصطناعية لتشغيل نظام خزن منفرد
أما فيما يخص الشبكة الثانية فقد تم تبني سياسات التشغيل المستنبطة من السالسل المولدة باستخدام احد النماذج
التصادفية ومنها نموذج ) (Thomas – Fieringوذلك لتمثيل جزء من قيم الجريان المحتملة مستقبال .في الدراسة الحالية
تم اجراء العديد من المحاوالت اذ تم توليد العديد من سالسل الجريان وبأطوال مختلفة وقد وجد ان طول السلسلة المكونة
من 12سنة ( 990شهر) والتي اعطت اكبر تطابق للمعالم االحصائية للبيانات المرصودة والمولدة وكما بينه [ ]7في
صفحة 01و 09فيما يتعلق بمعدل التصريف ومعامل االنحدار ومعامل االلتواء .تم االعتماد على هذه البيانات في تدريب
الشبكة العصبية الخاصة بنموذج ) (ISDPوبنفس االسلوب المتبع اعاله ولكن مصفوفة المدخالت والمخرجات تتكون في
هذه الحالة من صفين و( )5463عمودا .يوضح الشكل ( )7مسار تدريب الشبكة العصبية االصطناعية المقترحة باستخدام
خوارزمية التدريب ( )LMوبنية هندسية (.)9-13-9
الشكل ( )7مسار تدريب الشبكة العصبية االصطناعية لنموذج ISDPباستخدام خوارزمية التدريب
()Levenbreg Marqwardt LM
النتائج المستحصلة من الشبكتين العصبيتين
تم اختيار قيم عشوائية لكل من حاالت الخزين االبتدائي وحاالت الجريان الواردة الى نظام الخزن وتم ادخال هذه
القيم الى الشبكة المعتمدة والخاصة بكل نموذج كما وتستخدم نفس القيم العشوائية اعاله كمدخالت للنماذج التصادفية
الحتساب حجم االطالق االمثل وحجم الخزين النهائي.
اجريت مقارنة بين سياسات التشغيل (حجم االطالق االمثل وحجم الخزين النهائي) المستنبطة من نموذج )(ESDP
والتي تقابل كل من القيم العشوائية لحاالت الخزين االبتدائي وحاالت الجريان مع مخرجات الشبكة العصبية المقترحة للتأكد
من اداء هذه الشبكة اذ حدد حجم االطالق االمثل باالعتماد على المخطط البياني ) )Nomographوالذي يمثل مخرجات
نموذج ) (ESDPبينما استخدمت الشبكة العصبية المقترحة الستنباط حجم االطالق االمثل وحجم الخزين النهائي لهذه
المدخالت .ان الشكل ( )0يسهل المقارنة بين مخرجات نموذج ) (ESDPمع مخرجات الشبكة العصبية المقترحة ويبين
مدى التطابق بينهما .كما اعتمد نفس االسلوب إلجراء المحاكاة بين مخرجات الشبكة العصبية الخاصة بنموذج ) (ISDPمع
المخرجات الفعلية للنموذج المعني .الشكل ( )2ادناه يبين معامل التحديد بين مخرجات نموذج ) (ISDPمع مخرجات
الشبكة العصبية المقترحة ومدى التطابق بينهما.
الشكل ( : )0التوافق بين مخرجات الشبكة العصبية المقترحة مع مخرجات النموذج ESDP
05
Al-Rafidain Engineering Vol.22 No. 2 March 2014
الشكل ( : )2التوافق بين مخرجات الشبكة العصبية المقترحة مع مخرجات النموذج ISDP
االستنتاجات
بينت الدراسة بأن افلل بنية معمارية للشبكة المستخدمة للنموذج ) (ESDPهي ( 9-6-9عصبونان في طبقة المدخالت
– 6عصبونات في الطبقة الخفية – عصبونان لطبقة المخرجات) .اما النموذج ) (ISDPفكانت أفلل معمارية للشبكة
العصبية هي .9-13-9
اوضحت النتائج وجود توافق خطي بين حجم االطالقات المستنبطة من الشبكة العصبية ومخرجات نموذج )(ESDP
بمعامل تحديد مقداره 3.204وهو افلل نسبيا من معامل التحديد بين حجم االطالقات المستنبطة من الشبكة العصبية
ومخرجات نموذج ) (ISDPحيث كانت قيمته 3.030وذلك بسبب طبيعة المدخالت والمخرجات المستخدمة لتدريب
الشبكة االولى مقارنة بطبيعة البيانات المستخدمة لتدريب الشبكة الثانية.
سلطت هذه الدراسة اللوء على امكانية استخدام تقنية الشبكات العصبية االصطناعية في استنباط سياسات تشغيل
لمنظومات الخزن المائي .
المصادر
1. Cancelliere, A., Giuliano, G., Ancarani, A., and Rossi, G., " A Neural Networks Approach
for Deriving Irrigation Reservoir Operating Rules", Water Resources Management
Vol.(16): 71–88, 2002
2. Sharifi, F., Haddad, O. B. and Naderi, M., " Reservoir Optimal Operation Using
DP-ANN", Evolutionary Computation, 2005.
http://www.wseas.us/e-library/conferences/2005lisbon/papers/496-281.pdf
3. Haddad, O. B., and Alimohammadi, S. " Combining Stochastic Dynamic Programming
(SDP) and Artificial Neural Networks (ANN) in Optimal Reservoir Operation", 2005
http://www.wseas.us/e-library/conferences/2005lisbon/papers/496-258.pdf
4. Abdulrahman, K. Z. "Artificial Neural Network-finite Volume Coupled Model For River
flow ". Ph. D thesis, University of Sulimani, Sulimani, Iraq, 2012
.5العاني ،افتخار ،المحسن ،كامل ،الدباغ ،عبد الستار " ،تقدير التبخر_نتح المرجعي اليومي لمنطقة الموصل باستخدام
الشبكات العصبية االصطناعية" ،مجلة هندسة الرافدين ،المجلد ( ، )15العدد (.9337 ، )4
.6توفيق ،ايمن رافع و المحسن ،كامل " ،نموذج تصادفي داينمي لتشغيل نظام خزن منفرد (دراسة حالة)" ،مقبول للنشر
في مجلة هندسة الرافدين.9310 ،
.7توفيق ،ايمن رافع " ،نموذج تصادفي داينمي لتشغيل خزان سد القائم على نهر الخوصر " ،رسالة ماجستير ،كلية
الهندسة ،جامعة الموصل.9310 ،
06
شبكة عصبية اصطناعية لتشغيل نظام خزن منفرد:عبد المحسن
8. Wang, A. , Yiliao, H. and Huang, C. "Reservoir inflows forecasting with artificial neural
networks during typhoon period-for Shihmen Reservoir in Taiwan", WSEAS International
Conference on WHH , Chalkida, Evia Island, Greece, 2006
http://rd.cycu.edu.tw/RD2008/H2500/rtd/project6/95/wseas%20ID%20516-
138%20final%20version.pdf
،" نتح المرجعي اليومي لمنطقة الموصل باستخدام الشبكات العصبية االصطناعية- " تقدير التبخر، افتخار، العاني.2
.9337 ، جامعة الموصل، كلية الهندسة،اطروحة دكتوراه
10. Sogreah Consulting Engineer, "Al-Qaim Dam planning Rep.", Ministry of Irrigation,
General Establishment Of Studies And Designs,1982.
07