چکیده: ما یک سیستم بهره برداری مخزن هوشمند جدیدی را بر پایه شبکه عصبی مصنوعی نمو یافت (ANN) را پیشنهاد می دهیم. نمو یافته به معنی پارامترهای مدل ANN می باشد که توسط تکنیک تکاملی بهینه سازی GA شناخته می شود. مزیت های اصلی سیستم هوشمند استنتاج شده ANN (ANNIS) به صورت زیر می باشد:
(i) فقط تعداد اندکی از پارامترها حتی برای افقهای بهینه سازی طولانی بهینه می شوند.
(ii) سهولت در متغیرهای تصمیم گیری چندگانه استعمال کردن (iii) ترکیب درست مدل بهره برداری با مدلهای دیگر پیشگویی. سیستم هوشمند توسعه یافته برای بهره برداری از مخزن shihmen(اسم خاص) در شمال تایوان برای بررسی قابلیت اجرا و عملی بودن آن به کار رفت. روش پیشنهاد شده ابتدا یک فرمول ساده برای بهره برداری از مخزن شیمن با یک هدف و تصمیم منفرد به کار می رود. نتایج آن با آنهایی که توسط برنامه ریزی دینامیک بدست آمده بود ذمقایسه شده نتایج بیان می کند که شبکه های عصبی استنتاج شده پیشرفته عملکرد بهره برداری از مخزن را زمانی که با استراتژی بهره برداری حاضر مقایسه شد بهبود بخشید. سیستم قادر به متغیرهای تصمیم گیری مختلف به کارگیری همزمان موفق بود و تصمیمات منطقی و مناسب را ارائه می کند.
1- مقدمه: هوش مصنوعی (AI) یک تکنولوژی حالتی از هنر می باشد که همانند فرآیند فکر کردن انسان در تصمیم گیری و یادگیری استراتژی است. که برای توانایی برجسته آن در بکارگیری سیستم های پیچیده به خوبی شناسایی شده و از طریق صنعت تکنولوژی سازگار شده و وزنه برداری سنگین را برای منطق ها، استخراج داده ها، تخیص پزشکی و بسیاری موارد دیگر را ارائه می کند. در دهه گذشته، تکنیک های AI مانند شبکه های عصبی مصنوعی (ANN)، الگوریتم های ژنتیکی (GA) و تئوری فازی نیز به طور فزاینده ای برای از عهده برآمدن برخی موضوعات مرتبط با آب شناسی و سیستم های مخازن آبی به کارگرفته شده است. اخیراً برخی تلاش ها جهت نظارت بر ذخیره بهینه سازی مخازن و بهره برداری از طریق تکنیک های AI صورت گرفته است. رامان و کاندرا مولی به کارگیری ANN را برای تولید استراتژی های بهره برداری ایجاد شده برپایه نتایج حاصل از مدل برنامه ریزی دینامیک قطعی (DP) جهت ترتیب یک سیستم ذخیره منفرد و چندگانه پیشنهاد دادند. کانسیلر و همکاران یک مدل شبکه عصبی را برای استخراج استراتژی های عملیاتی (بهره برداری) برای یک مخزن تامین آبیاری توسعه دادند. در تلاش برای محاسبه ویژگی های اتفاقی جریان به داخل، پونامبا و همکاران سیستم استنتاج نورو- فازی (ANFIS) بر پایه نتایج بهینه بدست آمده توسط مدل بهینه سازی اتفاقی دیگر ایجاد کردند. چاینگ و همکاران یک مدل بر پایه GA جهت جستجو برای قطعه بهینه آزادکننده آب مخزن به کار بردند و سپس این نتایج را به عنوان الگوی آموزش از مدل ANFIS به کار گرفتند. تکنیک های AI همچنین روش های عمده ای هستند که برای توسعه سیستم های هوشمند (IS) و سیستم های حمایت از **(DSS) در مدیریت منابع آبی به کار رفته اند. منابع ارائه شده فوق از این لحاظ مشابه هستند که آنها ابتدا «حامل (بردار) هدف بهینه» را (مثل آزاد کننده آب مخزن) بر اساس روش هی GA، DP یا روش های بهینه سازی دیگر شناسایی می کنند. سپس آنها فقط مدل برپایه ANN را با استفاده از مقادیر بهینه شناسایی شده قبلی برای توسعه یک سیستم هوشمند بهره برداری را به می برند. این مدل های بر پایه ANN در تلاش برای تقلید مقادیر بهینه حاضر برای تصمیم گیری های جدید در آینده به کار رفتند. اگر چه مراحل یافتن نتایج بهینه اولیه و سپس اجری ANN ممکن است با برخی موانع روبرو شود. از لحاظ بهینه سازی توسط DP، افزایش در تعداد متغیرهای ** و وضعیت م یتواند دمتشکل از غیر عملی بودن را به علت مشکل ابعادی را ایجاد کند. از نظر بهینه سازی بر اساس GA، هر متغییر تصمیم گیری در هر مرحله می بایست به عنوان یک پارامتر که باید بهینه شود، در نظر گرفته شود. همچنین برای افق های بهینه سازی طولانی، تعداد پارامترهایی که باید بهینه شود بخشی از تعداد مراحل می باشد. در پایان، برای این فرآیند دو مرحله ای، استاندارد خطا مورد استفاده در اجرای مدل بر پایه ANN مستقیما با اهداف عملیاتی که می تواند بر راندمان بهره برداری و عملکرد اثر بگذارد همراه نیست. در این مقاله، ما یک سیستم هوشمند بر پایه مدل استنتاج ANN را توسعه دادیم و سپس آن را برای بهینه سازی بهره برداری یک مخزن چند هدفی به کار رفت. استنتاج به این معنی است که پارامترهای (وزن ها و تمایلات) مدل ANN توسط تکنیک بهینه سازی تکامای GA شناسایی می شود. بنابراین، مدل ANN می بایست استراتژی های عملیاتی بهره برداری مخزن را نشان دهد. همان طور که مدل GA مسئول بهینه سازی پارامتر های ANN به جای مقادیر تصمیم گیری می باشد، فقط تعداد ثابتی از پارامترها نیاز دارد که به طور مستقل از اندازه افق بهینه سازی شناسایی شوند. اینمی تواند به عنوان یک نوع پارامتری کردن از استراتژی های بهره برداری در نظر گرفته شود. بعلاوه، جهت اداره متغیرهای تصمیم گیری چندگانه، مدل پیشنهادی تمایل دارد که بیشتر از مدل های قدیمی مانند DP , GA عملی شوند، به طوریکه این متغیر ها به قوائد به عنوان واحد های خروجی جدید ANN در نظر گرفته شود. افزون واحدهای خروجی جدید، ضرورتاً با ممکن بودن و بهینگی روش جدید موافق نیست، به طوریکه GA قادر است که در مقادیر بالا و شبکه پیچیده بهینه شود. در نهایت، سیستم هوشمند پیشنهادی پتانسیل زیادی را نشان می دهد که با مدل های پیشگویی دیگر همراه شود، به طوریکه مدل بر پایه GA می تواند در یک جهت حرکت به سمت جلو و کنترل سیستم های پیچیده در یک مسیر انعطاف پذیر اجرا شود.
جهت آزمایش عملکرد سیستم هوشمند پیشرفته بهره برداری مخزن، ما آن را برای یک بهره برداری واقعی از مخزن چند هدفی میثمن واقع در شمال تایوان با مراحل زمان 10 روزه به کار گرفتیم. مخزن برای کاربردهای چند گانه مانند تامین آب احشام، کاربردهای کشاورزی، تجهیزات جریان حداقل محیطی و تولید نیروی آب به کار رفت. اهداف چندگانه مخزن با استفاده از توابع عضویت فازی به عنوان یک راه موثر در نرمال کردن و جمع کردن انواع مختلفی از اهداف ارزیابی شد. جهت تایید بهینگی ENNIS پیشنهاد شده، ابتدا ما نتایج آن را با آنهایی که توسط مدل DDP بدست آمده با توجه به هدف منحصر به فرد (تولید انرژی) مقایسه کردیم. سپس مشکل در یک روش بسیار پیچیده قرار داده شده به طوریکه پنج متغییر تصمیم گیری به طور همزمان به رفت. ما همچنین اثر انواع اطلاعات ورودی مدل عملیاتی ANN را آزمایش کردیم.