ارزیابی روش های تولید قوانین فازی برای بهره برداری از مخزن سد

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانش آموخته کارشناسی ارشد/ منابع آب دانشگاه تربیت مدرس، تهران، ایران

2 دانشیار / گروه سازه های آبی دانشگاه تربیت مدرس، تهران، ایران

3 دانش آموخته دکتری سازه های آبی دانشگاه ترییت مدرس، تهران، ایران

چکیده

منطق فازی به عنوان تکنیکی محاسباتی برگرفته از نحوه استدلال انسان، در مسائل گوناگون مدیریت منابع آب از جمله بهره‌برداری از مخازن، بسیار بکار گرفته شده است. یکی از مشکلات عمده در مدل‌سازی فازی، ساخت توابع عضویت و استخراج قوانین می‌باشد. بدین منظور در این تحقیق تلاش شده تا با استفاده از روش‌های  خودکار، توابع عضویت و قواعد فازی جهت تعیین خروجی مخزن سد زاینده‌رود برای بخش کشاورزی مورد ارزیابی قرار گیرد. برای این منظور روش SOFM1 برای ساخت توابع عضویت و روش‌های FAM2 و BFRT3 نیز برای ساخت قواعد بهره‌برداری از مخزن بکار گرفته شده است. نتایج حاکی از آن است که طبقه‌بندی متغیرهای ورودی و خروجی با استفاده از روش SOFM راهکاری مناسب برای تعریف توابع عضویت فازی بوده، ولی روش BFRT و FAM هر چند قوانین قابل قبولی را تولید می‌کنند، ولی لازم است قوانین تولید شده بررسی و سپس مورد استفاده قرار گیرند. البته روش‌ها در کاهش زمان لازم برای ساخت قوانین، نقش موثری داشتند.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation of Fuzzy Rule Generation Methods for Reservoir Operation

نویسندگان [English]

  • H Hosseini Safa 1
  • S Morid 2
  • M Moghaddasi 3
1 M.Sc., Dept. of Water Resources, Tarbiat Modares University, Tehran, Iran
2 Associate Prof. Dept. of Water Resources, Tarbiat Modares University, Tehran, Iran
3 Ph.D. candidate, Dept. of Water Resources, Tarbiat Modares University, Tehran, Iran
چکیده [English]

Fuzzy logic (FL) as a soft computing method based on human inference is widely used for water resources issues such as reservoir operation. However, common to any FL modeling approach, the definition of membership functions (MF) and the inference rules (IR) are a difficult and time consuming practice that construct the objective of this paper. Self organizing feature maps (SOFM) method is applied to create MF. Also Fuzzy associative maps (FAM) and Bootstrap fuzzy relevance test (BFRT) are applied to generate IRs. Zayandeh-rud dam in Esfahan Province, Iran, was taken as the case study. The results showed that the suggested classification by SOFM to define MF is quite acceptable. But, the resulted rules from FAM and BFRT need more evaluation and screening before application. Nevertheless, the applied methods play a significant role in reducing the required time to set up the final fuzzy model

کلیدواژه‌ها [English]

  • Fuzzy logic
  • Rule generation
  • Membership function generation
  • Reservoir operation modeling
  • Zayandeh Rud dam

جمالی، س.، ابریشم چی، الف. و تجریشی، م.، (1384)، "ساخت مدل­های پیش­بینی جریان رودخانه و بهره­برداری از مخازن با استفاده از سیستم استنباط فازی"، پایان­نامه کارشناسی ارشد دانشگاه صنعتی شریف.

طوسی، ر.، ل.، (1385)، "ارزیابی پروژه­های انتقال آب بین حوضه­ای با استفاده از روش فازی؛ مطالعه موردی کارون بزرگ"، پایان نامه کارشناسی ارشد دانشگاه تربیت مدرس.

عراقی نژاد، ش، کارآموز، م. (1384)، "پیش­بینی بلندمدت رواناب با استفاده از شبکه­های عصبی مصنوعی و سیستم استنتاج فازی"، مجله تحقیقات منابع آب ایران، سال اول، شماره 2، تابستان 84.

عراقی­نژاد، ش. (1384)، "مدیریت منابع آب برپایه تحلیل­های اقلیمی"، رساله دکتری دانشگاه امیرکبیر.

مقدسی، م.، مرید، س. و عراقی­نژاد، ش. (1387)، "بهینه­سازی تخصیص آب در شرایط کم­آبی با استفاده از روش­های
برنامه­ریزی غیرخطی، هوش ­جمعی و الگوریتم ژنتیک (مطالعه موردی : خشکسالی سال­های 78-1377 تا 80-1379 در شبکه‌های آبیاری حوضه زاینده رود اصفهان)"، برای چاپ در مجله تحقیقات منابع آب ایران.

Abe, S. and Lan, M. (1995), “A method for fuzzy rules extraction directly from numerical data and its application to pattern classification”, IEEE Trans. Fuzzy System. 3, pp. 18–28.

Anonymous. (1999). Fuzzy Tech 5.3, User Manual.

Chen, Q. and Mynett, A.E. (2003), “Integration of data mining techniques with heuristic knowledge in a fuzzy logic modelling of eutrophication in Taihu Lake”, Ecological. Modelling. 162, pp. 55–67.

Chen, Q., and Mynett, A. (2004), “A robust fuzzy logic approach to modeling algae biomass”, Journal of Hydraulic Research. 42(3): pp. 303-309.

Chen, Q., Mynett, A.E. and Blauw, A.N. (2002), “Fuzzy logic and artificial neural network modelling phaeocystis in the North Sea”, In: Falconer, R.A., Lin, B., Harries, E.L. and Wilson, C.A.M.E. (EDS), Proceeding of Hydroinformatics 2002, Cardiff, UK, pp. 722–728.

Czogala, E. and Leski, J. (2000), “Fuzzy and neuro-fuzzy intelligence systems”, Physica-Verlag, SBN: 3-7908-1289-7.

Dubrovin, T., Jolma, A., and Turunen, E. (2002), “Fuzzy model for real-time reservoir operation”, Journal of Water Recourses Planning and Management. 128:1(66) pp. 66-73.

Filev, D.P. and Yager, R.R. (1994), “Generation of fuzzy rules by mountain clustering”, Journal of Intelligent & Fuzzy Systems, 2, pp. 209–219.

Halide, H. and Ridd, p. (2000), “Modeling inter-annual variation of a local rainfall data using a fuzzy logic technique”, International Research Institute for Climate Prediction, USA, April 2000.

Kohonen, T. (1982), “Self organized formation of topological correct feature maps”, Biol. Cybern. 43, pp. 59–69.

Kohonen, T. (2001), Self-Organizing Maps (2nd edition ed.). Germany: Springer.

Krone, A. and Taeger, H. (2001), “Data-based fuzzy rule test for fuzzy modelling”, Fuzzy Sets and Systems. 123, pp. 343–358.

Maier, H. R., Sayed, T. and Lence B. J. (2000), “Forecasting cyanobacterial concentrations using B-spline networks”, Journal of computing in civil engineering. 14(3), pp. 183-189.

Moghaddasi, M., Morid, S., Araghinejad, S. and Agha Alikhani, M. (2008), “Assessment of irrigation water allocation based on optimization and equitable water reduction approaches to reduce agricultural drought losses: The 1999 drought in the Zayandeh Rud irrigation system (Iran)”, Accepted in Journal of Irrigation and Drainage.

Shrestha, B. P., Duckstein, L., and Stakhiv, E. Z. (1996), “Fuzzy rule-based modeling of reservoir operation”, ASCE, Journal of Water Recourses Planning and Management. 122(4): pp. 262-269.

Von Altrock, C. (1995), Fuzzy Logic and Neurofuzzy Applications Explained, Prentice Hall, ISBN: 0-13-368465-2.

Wang, L. and Mendel, J.M. (1992), “Generating fuzzy eules by learning from examples”, IEEE Trans. Syst. Man. Cybernet. 22, pp. 1414–1427.