استفاده از شبكه عصبي NARX به عنوان مدل جايگزين براي شبيه‌سازي بلند مدت شوري خروجي از مخازن داراي لايه‌بندي كيفي

Application of NARX Neural Network as Surrogate Model to Long-term Simulation of the Outlet Salinity from Strong Stratified Reservoirs

برنامه CE-QUAL-W2 يك مدل فيزيكي با اطمينان‌پذيري بالا جهت شبيه‌سازي هيدروديناميكي-كيفي مخازن بوده كه هزينه محاسباتي زيادي دارد. بنابراين يافتن مدل‌هاي جايگزين كه نتايج اين مدل را با دقت مطلوب و در زمان اندكي برآورد كنند از اهميت كاربردي بالايي برخوردار است. در اين تحقيق قابليت مدل شبكه عصبي NARX به عنوان مدل جايگزين CE-QUAL-W2 جهت پيش‌بيني نتايج بلند مدت شوري خروجي از مخزن بررسي شده است. براي اين منظور مدل CE-QUAL-W2 مخزن سد گتوند عليا تهيه و پس از واسنجي، براي شبيه‌سازي شوري خروجي از مخزن در يك دوره زماني 10 ساله استفاده گرديد. با توجه به امكان تخليه از دريچه‌هاي مختلف مخزن، با تغيير ماهيانه نسبت تخليه دريچه‌ها مسائل متعددي تعريف و كتابخانه‌اي از نتايج مدل فيزيكي تشكيل شد. سپس با معرفي سناريوهاي مختلف معماري شبكه عصبي NARX، آموزش آن‌ها با استفاده از كتابخانه نتايج انجام شد. نتايج حاصل از سناريوهاي مختلف بيانگر توانايي بالاي شبكه عصبي NARX در برآورد روند شوري خروجي از مخزن بوده و ضريب تعيين همواره بيش از 91/0 است. در سناريوي منتخب ضريب تعيين 95/0، ميانگين درصد خطاي مطلق و ضريب نش-ساتكليف به ترتيب 7/8 درصد و 79/0 بوده و انطباق خوبي بين نتايج دو مدل مشاهده مي‌شود. مدت زمان شبيه‌سازي بلند مدت مخزن گتوند با استفاده از مدل شبكه عصبي كم‌تر از 0.06 درصد زمان لازم براي اجراي مدل فيزيكي است. نتايج اين تحقيق نشان مي‌دهد كه مدل NARX را مي‌توان جهت پيش‌بيني بلند مدت شوري خروجي از مخازن به عنوان مدل جايگزين براي CE-QUAL-W2 بكار برده و هم‌زمان هزينه‌ي محاسبات را به طور چشمگيري كاهش داد.

The CE-QUAL-W2 program as a physical model for quality and hydrodynamic simulation of water reservoirs has a high computational cost. Therefore, finding surrogate models to give optimal results in short term would have a great practical importance especially in simulation-optimization problems. In this study, the capability of the NARX model as a surrogate model was investigated to simulate the outlet salinity from strongly stratified reservoirs. For this purpose, the CE-QUAL-W2 model was used and calibrated to simulate the outlet salinity of the Upper Gotvand Reservoir over 10 years. Regarding the possibility of release from different reservoir intakes, by monthly change of release ratios, several problems were defined and a library of the physical model results was formed. Then different NARX architecture scenarios were introduced and trained using the library results. The results obtained from different scenarios indicate that the NARX neural network model has a high capability to simulate the CE-QUAL-W2 model results of outflow salinity, so that the correlation coefficient is always above 0.91. In the selected scenario, a very good agreement is observed between the results of the two models, with a correlation coefficient of 0.95, mean absolute percentage error of 8.7% and Nash-Sutcliffe coefficient of 0.79. The simulation time required for the NARX neural network model is less than 0.06% of the time required to run the physical model for the same problem. The results show that the NARX model can be used as a suitable surrogate model for CE-QUAL-W2 to predict the long-term reservoir outlet salinity and reduces the cost of computing while maintains accuracy.