الف – پرداخت وجه بحساب وب سایت ایران ترجمه(شماره حساب)ب- اطلاع جزئیات به ایمیل irantarjomeh@gmail.comشامل: مبلغ پرداختی – شماره فیش / ارجاع و تاریخ پرداخت – مقاله مورد نظر --مقالات آماده سفارش داده شده پس از تایید به ایمیل شما ارسال خواهند شد.
قیمت
قیمت این مقاله: 38000 تومان
(ایران ترجمه - Irantarjomeh)
توضیح
بخش زیادی از این مقاله بصورت رایگان ذیلا قابل مطالعه می باشد.
شماره
۱۹
کد مقاله
TEC19
مترجم
گروه مترجمین ایران ترجمه – irantarjomeh
نام فارسی
استفاده از الگوریتم ژنتیک برای بهبود تشخیص منبع آلاینده به وسیله تخمین بهتر جهت وزش باد
نام انگلیسی
Improving pollutant source characterization by better estimating wind direction with a genetic algorithm
تعداد صفحه به فارسی
۲۳
تعداد صفحه به انگلیسی
۷
کلمات کلیدی به فارسی
تشخیص منبع، مدل انتشار، الگوریتم ژنتیک، عدم قطعیت داده های باد، شبیه سازی داده ها
کلمات کلیدی به انگلیسی
Source characterization; Dispersion model; Genetic algorithm; Wind data uncertainty; Data assimilation
مرجع به فارسی
دانشگاه ایالتی پنسیلوانیا، الزویر
مرجع به انگلیسی
The Pennsylvania State University; Elsevier
کشور
استفاده از الگوریتم ژنتیک برای بهبود تشخیص منبع آلاینده به وسیله تخمین بهتر جهت وزش باد
چکیده
برای کاربردهای امنیتی داخلی اغلب لازم است که موقعیت و شدت یک منبع بالقوه آلاینده مشخص گردد. تشخیص صحیح منبع نیازمند دادههای هواشناسی صحیح نظیر جهت باد میباشد. متاسفانه دادههای هواشناسی موجود اغلب غیر صحیح بوده و یا نماینده فرآیند مربوطه نمیباشند و تفکیک زمانی یا فضایی ناکافی برای مدلسازی دقیق انتشار آلاینده را ارائه میدهند. برای مشخص کردن این مسئله، شیوهای که به طور همزمان جهت باد سطحی و مشخصات منبع آلاینده را تعیین کند، ارائه میگردد. این شیوه دادههای آشکار شده به وسیله گیرندهها را با خروجی مدل انتشار آلاینده مقایسه میکند و از یک الگوریتم ژنتیک برای یافتن ترکیب موقعیت منبع، شدت منبع و جهت باد سطحی که بهترین تناسب بین خروجی مدل انتشار با دادههای گیرنده را دارا میباشد، استفاده میکند. یک الگوریتم ژنتیک، متغیرها را با استفاده از اصول ژنتیک و تکامل، بهینه سازی میکند.
این روش برای یک آزمایش جفتی با استفاده از دادههای مصنوعی گیرنده و یک معادله دود گوسین به عنوان مدل انتشار، معتبر میباشد. در صورتیکه دادههای گیرنده کافی موجود باشد، الگوریتم ژنتیک قادر است تا جهت باد، موقعیت منبع و شدت آنرا مجدداً تولید کند. اجراهای اضافی با مشارکت نویزهای سفید (سیگنالهای تصادفی) درون دادههای گیرنده برای شبیهسازی تغییر پذیری واقعی نشان میدهد که الگوریتم ژنتیک تا زمانی که مقدار نویز از مقدار دادههای گیرنده تجاوز نکند، قادر به محاسبه جواب صحیح میباشد.
واژههای کلیدی: تشخیص منبع، مدل انتشار، الگوریتم ژنتیک، عدم قطعیت داده های باد، شبیه سازی داده ها
الگوریتم ژنتیک تشخیص منبع آلاینده وزش باد
مقدمه
در کابردهای انتشار برای امنیت داخلی، اغلب لازم است تا موقعیت و شدت یک انتشار آلاینده بالقوه خطرناک که به وسیله هوا انتقال مییابد، شناسایی گردد تا انتشار آن مدلسازی شود و اقدامات مناسب برای کاهش آن انجام گیرد. به دلیل اینکه اینگونه انتشار تحت کنترل ما نیست، نمیتوانیم به مشخصات آن پی ببریم، اما باید از مشاهدات غلظت انتشاریافته بعدی نسبت به ارزسابی آنها اقدام نمائیم. این مقاله مفهوم همآمیختگی یا انتشار دادههای سنسور، برای شبیهسازی دادههای کنترل شده به منظور تعیین پارامترهای مدلسازی مناسب، را بکار میگیرد.
این مقاله شیوهای را ارائه میدهد که عدم قطعیت همراه با جهت باد را با تعیین جهت باد سطحی همراه با تشخیص منبع آلاینده با استفاده از یک الگوریتم ژنتیک(GA) مشخص میگردد. متدولوژیی که در اینجا توصیف میگردد از یک زنتیک الگوریتم با پارامتر پیوسته برای تعیین جهت باد و مشخصات منبع آلاینده استفاده می‌نماید (Haupt، ۲۰۰۵). اولین بار Cartwright و Harris(1993) یک الگوریتم ژنتیک را برای تخمین موقعیت منابع بکار بردند. Camelli و Lohner(2004) با استفاده از یک ژنتیک الگوریتم با دینامیک سیالات محاسباتی برای تخمین موقعیت منابع برای بیشترین آسیب بکار بردند. Haupt (2005)، Haupt و دیگران (۲۰۰۶) و Allen ودیگران (۲۰۰۶) تشخیص منبع آلاینده را با استفاده از یک الگوریتم ژنتیک برای بهم پیوستن یک مدل انتشار با یک مدل گیرنده backward-looking عنوان کردند. شیوهای که در اینجا ارائه میگردد کوششهای قبلی را با تعیین همزمان جهت باد سطحی همراه با مشخصات منبع ادامه میدهد. این فرمولاسیون جدید نسبت به فرمولاسیونهای قبلی مزیت دارد، زیرا این فرمولاسیون، نسبت به عدم قطعیت در دادههای هواشناسی بسیار کمتر حساس میباشد: در عمل جهت باد مستقیماً به وسیله الگوریتم تعیین میشود.
الگوریتم ژنتیک تشخیص منبع آلاینده وزش باد
۲- فرمولاسیون مدل
هدف ما این است که به طور همزمان جهت باد سطحی، موقعیت منبع دو بعدی (x,y) و شدت منبع را تعیین نماییم. بنابراین هر یک از این چهار پارامتر یک عنصر این بردار پارامتر را تشکیل میدهند که باید به وسیله الگوریتم ژنتیک تعیین گردد. هر بار تکرار این الگوریتم ژنتیک جوابهای آزمایشی متعددی را میدهد. مزیت نسبی هر یک از جوابهای آزمایشی با مقایسه نمودن پیشبینی مدل انتشار حاصل با دادههای گیرنده ارزیابی میگردد. الگوریتم ژنتیک، سپس مجموعه جوابهای آزمایشی را با جفت نمودن بهترین کرموزومها و انجام جهش، همانگونه که در مقاله Haupt و Haupt (2004) توصیف شده است، اصلاح میکند. یک مقدمه مختصر بر الگوریتم ژنتیک و اصطلاحات آن در ضمیمه A داده شده است. روشی که در اینجا توصیف میگردد، کاربردی از تکنیک ذوب دادههای سنسور مبتنی بر مدل برای مسئله مورد نظر که پدافند داخلی هست، میباشد.
۲-۱٫ الگوریتم جواب
این مقاله یک فرمولاسیون کاملاً جدید برای مسئله تشخیص منبع ارائه میدهد. در کار قبلی ما (Haupt، ۲۰۰۵، Haupt و دیگران ۲۰۰۶ و Allen ودیگران ۲۰۰۶) مدل ما از مدل گیرنده موازنه جرم شیمیایی CMB ، مزدوج با یک مدل انتشار و تنظیم برای حل کردن یک معادله ماتریس برای فاکتورهای تسهیم منبع، الهام گرفته بود. آن مدل مزدوج با الگوریتم ژنتیک اصلی، دانش معلومات قبلی را پیش فرض میکرد بر روی موقعیتهای بالقوه منبع و فرض میکرد که سرعت و جهت باد معلوم باشند. این فرمولاسیون جدید شکل میگیرد تا با استفاده از این الگوریتم ژنتیک، مستقیماً فضای حل کامل را برای چهار پارامتر مجهول انتشار یعنی: موقعیت X و Y منبع، شدت منبع و جهت باد را جستجو میکند. توجه داشته باشید که برای اولین بار است که یک داده هواشناسی به عنوان مجهول بحث میشود. عیب این فرمولاسیون جدید این است که به دلیل اینکه موقعیتهای منبع در هر بار تکرار الگوریتم ژنتیک متفاوت هستند، مدل باید انتشار را از همه موقعیتهای بالقوه منبع در هر بار تکرار مجدد محاسبه کند. بنابراین مستقیماً استفاده از یک مدل انتشار پیشرفته نظیر SCIPUFF (Sykes ودیگران، ۱۹۹۸) هزینه محاسباتی اساسی تحمیل میکند. بنابراین ما بجای آن از یک مدل محاسباتی کاراتر نظیر مدل دود گوسین برای نشان دادن این مدل استفاده میکنیم.
۲-۲٫ پیشنهاد مدل
مدل دود گوسینی که اینجا استفاده میشود به صورت زیر است:
۲-۳٫ تابع ارزش
تابع ارزش یا هدفی که بوسیله الگوریتم ژنتیک برای ارزیابی هر بردار جواب استفاده شده است، جذر متوسط مجذور اختلاف بین غلظتهای پیشبینی شده به وسیله معادله (۱) و مقادیر دادههای گیرنده (هر یک با گرفتن لگاریتم آن)، که برای همه گیرندهها جمع شده و نرمالیزه شده است، میباشد. تابع ارزش به صورت زیر تعریف میشود:
۲-۴٫ اجرای الگوریتم ژنتیک
در اینجا الگوریتم ژنتیک در جستجوی جهت بهینه وزش باد، موقعیت منبع و شدت منبع میباشد. این الگوریتم ژنتیک با فراوانی تصادفی بردارها (یعنی همان کرموزومها) که هر یک به وسیله معادله (۲) بدست میآیند، آغاز میگردد. سپس الگوریتم ژنتیک بهترین کرموزومها را در فرآیندی به نام جفتیابی ترکیب میکند که دو بردار جواب بالقوه را تولید خواهد نمود. بر خلاف کار قبلی ما در زمینه آلاینده هوا ( Haupt 2005، Haupt و دیگران ۲۰۰۶ و Allen ودیگران ۲۰۰۶) در اینجا ما از یک الگوی متقاطع یکنواخت که هر یک از این پارامترها را با هم مخلوط میکند استفاده میکنیم. این الگوی اختلاط مفید میباشد زیرا اثرات این پارامترها به ویژه پاسخ ساختار دود به جهت وزش باد و موقعیت منبع به هم مربوط میشوند.
اپراتور جهش، بعضی از پارامترهای اصلی را با مقادیری که به صورت تصادفی تولید شده است جایگزین میکند، به طریقی که جستجو کل فضای حل را پوشش دهد تا از پوشش یک مینیمم محلی اجتناب شود. هر دور جفتیابی و جهش، یک تکرار الگوریتم ژنتیک را تشکیل میدهد. این الگوریتم ژنتیک برای تعداد از قبل تعیین شدهای از تکرارها اجرا میگردد، یا تا زمانی که همگرایی روی دهد، همانگونه که اجراهای حساسیت قبلی ما نشان میدهد که ۱۰۰ تکرار کافی میباشد. مقدمهی کوتاهی بر الگوریتم ژنتیک در ضمیمه A داده شده است.
۲-۵٫ طرح آزمایش
به منظور نشان دادن و تصدیق این شیوه برای تعیین جهت وزش باد و مشخصات منبع، ما از یک روش تجربی زوجی یکسان استفاده میکنیم (Daley، ۱۹۹۱ را ببینید)، که در این روش دادههای مصنوعی تولید شده بوسیله معادله ۱ را به عنوان دادههای گیرنده استفاده میکنیم. این گیرندهها بر روی شبکهای که منبع را احاطه کرده است و فاصله بین هر گیرنده ۲۰۰۰ متر است، قرار دارد. برای تعیین وابستگی هر کارایی مدل بر تعداد گیرندهها، مدلهایی با استفاده از شبکههای ۲ در ۲، ۴ در ۴، ۸ در۸، ۱۶ در۱۶ و ۳۲ در۳۲ از گیرندهها اجرا میگردد. برای هر ۵ پیکربندی گیرندهها، منبع در مرکز حوزه گیرنده در نقطهای که بعنوان مبدا (۰/۰و ۰/۰) تعریف میشود، قرار میگیرد. دادههای مصنوعی برای هر پیکربندی گیرنده برای دو جهت مختلف وزش باد، °۱۸۰ و °۲۲۵ تولید میگردد. جهت °۱۸۰ وزش باد خط مرکزی دود را مستقیماً بین گیرندهها قرار میدهد، و جهت °۲۲۵ وزش باد خط مرکزی دود را مستقیماً بر روی بعضی از گیرندهها قرار میدهد. شکل ۱ آرایش منبع و گیرنده را برای شبکه ۴ در ۴ گیرندهها را نشان میدهد، که نقطه سیاه در مرکز منبع میباشد و Xها گیرندهها میباشد، و خطوط خطچین، خط مرکزی دود را برای دو جهت وزش باد که در نظر گرفته شده است را نشان میدهد.
الگوریتم ژنتیک تشخیص منبع آلاینده وزش باد
۳- نتایج
این مدل برای پنج پیکربندی مختلف گیرنده و دو جهت وزش باد که در بخش قبلی توصیف شد اجرا میشود. در میان این ده پیکربندی، پارامترهای الگوریتم ژنتیک که بهترین نتایج را با حداقل زمان محاسباتی میدهند عبارتند از: اندازه جمعیت ۱۲۰۰، نرخ جهش ۰۱/۰، نرخ انتخاب ۵/۰، ۱۰۰ تکرار و جفتیابی از طریق اختلاط همه پارامترها.
جدول ۱ نتایج را برای شش پیکربندی (شبکههای گیرنده ۸ در ۸، ۱۶ در ۱۶ و ۳۲ در ۳۲ برای هر دو جهت وزش باد، به صورتیکه در بخش ۲٫۵ توصیف شد) نشان میدهد. نمرههای مهارت جدول ۱ در ضمیمه B داده شده است. کلیه اجراهای الگوریتم ژنتیک، جوابی نزدیک به واقعیت تولید نمود. سه تا از آنها داخل تلورانس جواب صحیح بودند، که تلورانس به صورت °۰۱/۰ در جهت وزش باد، ۱% شدت منبع و ۰/۱ متر فاصله از موقعیت منبع میباشد. به دلیل شروع بکار تصادفی اجراهای الگوریتم ژنتیک، هر بار اجرا برای یک پیکربندی تا حدی با هم اختلاف دارد. ما دریافتهایم که همه جوابهای جدول ۱ می‌تواند با استفاده از شیوه نزولی گرادیان سنتی نظیر مدل Nelder-Mead (Neldeer و Mead 1965) اصلاح شود، جوابهایی که از الگوریتم ژنتیک بدست آمده به عنوان نقاط شروع برای این سیمپلکس استفاده میشود. این روش زوجی معمولاً یک الگوریتم ژنتیک هیبرید نامیده میشود (Haupt و Haupt 2004) . جزئیات انجام این سیمپلکس در الگوریتم ژنتیک ما در Allen 2006 داده شده است. در هر مورد جواب هیبرید داخل تلورانس اظهار شده جواب صحیح قرار داشت.
الگوریتم ژنتیک تشخیص منبع آلاینده وزش باد
۴- مشاهدات نویزی
موفقیت با آزمایشهای زوجی یکسان به علت این حقیقت است که هم دادههای مصنوعی گیرنده و هم غلظتهای مورد انتظار به وسیله معادله ۱ محاسبه میگردد. دادههای واقعی این مدل انتشار نمیتواند هماهنگی کاملی با دادههای گیرنده داشته باشد به دلیل اینکه اختلافهایی بین میانگین انزامبلهایی که پیشبینی میشود و غلظتهایی که از واقعیتهای آشفته اندازهگیری میشود وجود دارد. این هماهنگی به وسیله خطاهای آشکارسازی نیز بیشتر به خطر میافتد. بنابراین برای ارزیابی اثرات چنین خطاهایی در تکنیک، دادههای مصنوعی را با نویز سفید (سیگنال تصادفی) آلوده میکنیم.
الگوریتم ژنتیک تشخیص منبع آلاینده وزش باد
۵- خلاصه و پیشنهاد
ما متدی توصیف کردهایم که با استفاده از الگوریتم ژنتیک به طور همزمان جهت وزش باد سطحی و مشخصات منبع آلاینده را تعیین میکند. این مدل برای آزمایشهای جفتی یکسان بسیار خوب کار میکند: قادر است تا جواب را با استفاده از یک شبکه گیرنده ۸ در ۸ پیدا کند. برای تعداد گیرندههای کمتر نظیر شبکه ۴ در ۴، کارایی به طور رضایت بخش کمتر بود، همانگونه که مجموعه کوچکتری از گیرندهها اطلاعات کافی برای تشخیص جهت باد از مشخصات منبع فراهم نمیکند. توجه کنید که اگر ربع این انتقال معلوم بود، یک چهارم این شبکه کفایت میکرد.
برای تخمین توانمندی برای دنیای واقعی، این متد نیز با استفاده از دادههای مصنوعی که با نویزهای افزاینده سفید آلوده شده بودند، آزمایش گردید. مادامی‌که مقدار این نویز از مقدار سیگنال تجاوز نکند، این الگوریتم ژنتیک قادر است تا جهت صحیح وزش باد، موقعیت منبع و شدت منبع را نسبتاً خوب بیابد، به ویژه اگر تعداد گیرندهها زیاد باشد.
لطفا به جای کپی مقالات با خرید آنها به قیمتی بسیار متناسب مشخص شده ما را در ارانه هر چه بیشتر مقالات و مضامین ترجمه شده علمی و بهبود محتویات سایت ایران ترجمه یاری دهید.
