پاورپوینت هوش مصنوعی و سدسازی

به نام خدا
هوش مصنوعی
و
سد سازی

خرداد 97

هوش مصنوعی چیست؟
هوش مصنوعی یا AI هوش مصنوعی عموما اینطور تعریف می شود که مجموعه ای از تکنولوژی ها برای ساخت سیستم های کامپیوتری است که بتوانند آنالیزهای پیچیده را به طور مستقل انجام دهند.

انواع هوش مصنوعی: 1-کاملا واکنشگر 2-حافظه محدود 3-نظریه ی ذهن 4-هوش مصنوعی خود آگاه

1-کاملا واکنشگر: ساده ترین نوع هوش مصنوعی است و برداشتی ساده و مستقیم از محیط و موقعیت دارد و بر اساس آن چه می بیند عمل می کند. این نوع هوش مصنوعی فاقد بینش نسبت به جهان اطراف است و هیچ نوع خاطره و حافظه ای ندارد. این نوع هوش مصنوعی برای ساخت دستگاه های تخصصی در یک حوزه معین استفاده می شوند. دستگاه های پیاده سازی شده با نوع کاملا واکنشگر ، کامپیوتر Deep Blue شطرنج باز است که توانست قهرمان شطرنج جهان کاسپاروف را شکست دهد.

2-حافظه محدود: این نوع هوش مصنوعی یک پله بالاتر از نوع واکنشگراست و با دارا بودن حافظه، داده های گذشته را در تصمیم گیری فعلی خود دخیل می کند. حافظه و تجربه این نوع هوش مصنوعی است به اندازه ای است که بتواند تصمیمات صحیح تری بگیرد و اعمال مناسبی را اتخاذ کند. دستگاه های پیاده سازی شده با نوع حافظه محدود ، ماشین های خودران و دستیارهای شخصی هستند.

3-نظریه ذهن: هوش مصنوعی در این نوع می تواند احساسات و افکاری که بر رفتار انسان اثر می گذارند را درک کند. این هوش مصنوعی می تواند احساسات، انگیزه ها و انتظارات را درک کرده و از نظر اجتماعی فعال باشد. 4-هوش مصنوعی خود آگاه: هوش مصنوعی خودآگاه خود دارای تصویر و تجسم است. این نوع هوش در واقع تکامل یافته "نظریه ذهن" است و غیر از داشتن حالات روحی ، نسبت به خود نیز آگاهی و اطلاع دارد. در این سطح از هوش مصنوعی ماشین می تواند رفتار، احساسات و عکس العمل دیگران را پیش بینی کند. شاید آخرین مرحله هوش مصنوعی همین مرحله باشد که می تواند جهان را دگرگون کند. توجه:نوع سوم و چهارم در واقع نسل های آینده ی هوش مصنوعی شناخته میشوند و تا کنون نمونه واقعی از انها ساخته نشده و بیشتر آنها را در فیلم های سینمایی دیده ایم.

طبقه بندی هوش مصنوعی(انواع کاربرد های آن): 1-یادگیری ماشین 2-بینایی ماشین 3-پردازش زبان طبیعی 4-رباتیک 5-سیتم های خبره 6-شبکه عصبی 7-الگوریتم ژنتیک

1-یادگیری ماشین: یادگیری ماشین ( Machine Learning ) شاخه ای از هوش مصنوعی است که به مطالعه و ساخت سیستم هایی با قابلیت یادگیری از داده ها می پردازد. به طور مثال، به کمک سیستم یادگیری ماشین می توان یک سیستم مدیریت ایمیل را آموزش داد تا پیام های هرزنامه را از دیگر پیام ها تشخیص دهد. این سیستم پس از یادگیری می تواند به دسته بندی ایمیل های جدید به هرزنامه و غیر آن بپردازد. 2-بینایی ماشین: بینایی ماشین (Machine Vision) فناوری و روش های مورد استفاده برای بهبود شناسایی و تحلیل خودکار مبتنی بر تصویر در کاربردهایی مانند بازرسی خودکار، کنترل روند و هدایت روبات در صنعت است.

3-پردازش زبان طبیعی: پردازش زبان طبیعی (Natural Language Processing) یکی از حوزه های علوم کامپیوتر، هوش مصنوعی و زبانشناسی است که به تعامل کامپیوتر و زیان انسان (طبیعی) می پردازد. بسیاری از چالش های پردازش زبان طبیعی به درک زبان طبیعی مربوط می شود ، یعنی ایجاد توانایی در کامپیوتر برای استخراج مفهوم ورودی زبان انسانی یا طبیعی. با وجود فعالیت های قدیمی تر، تاریخچه پردازش زبان طبیعی عموما در دهه ۱۹۵۰ آغاز شد. در سال ۱۹۵۰ آلن تورینگ مقاله ای را با عنوان «هوش و دستگاه محاسباتی» منتشر و در آن، آنچه را امروز به تست تورینگ موسوم است، به عنوان ابزاری برای هوش معرفی کرده بود.

تست تورینگ چیست؟ روشی برای سنجش میزان هوشمندی ماشین است. آزمون به این صورت انجام می گیرد که یک شخص به عنوان قاضی، با یک ماشین و یک انسان به گفتگو می نشیند، و سعی در تشخیص ماشین از انسان دارد. در صورتی که ماشین بتواند قاضی را به گونه ای بفریبد که در قضاوت خود دچار اشتباه شود، توانسته است آزمون را با موفقیت پشت سر بگذارد. برای اینکه تمرکز آزمون بر روی هوشمندی ماشین باشد، و نه توانایی آن در تقلید صدای انسان، مکالمه تنها از طریق متن و صفحه کلید و نمایشگر کامپیوتر صورت می گیرد.

4-روباتیک: شاخه ای از فناوری است که به طراحی، ساخت، عملیات و کاربرد روبات ها و سیستم های کامپیوتری برای کنترل، فیدبک حسگرها و پردازش اطلاعات می پردازد. این فناوری ها با دستگاه های خودکاری سر و کار دارند که می توانند جانشین انسان در محیط ها یا روندهای تولیدی خطرناک شوند یا ظاهر، رفتار و درک انسانی را شبیه سازی کنند.

5-سیستم های خبره: در هوش مصنوعی، یک سیستم خبره (Expert System) یک سیستم کامپیوتری است که توانایی تصمیم سازی یک انسان خبره را شبیه سازی می کند. سیستم های خبره برای حل مشکلات پیچیده از طریق استنتاج در دانش خبرگی همانند یک انسان خبره است ، نه پیروی از دستورالعمل های برنامه نویس، آن طور که در برنامه های معمولی است. 6-شبکه عصبی: در علوم کامپیوتر و رشته های مربوطه، شبکه های عصبی مصنوعی مدل هایی الهام گرفته شده از سیستم عصبی مرکزی حیوانات (به ویژه مغز) هستند که توانایی یادگیری دستگاه و تشخیص الگو را دارند.

7-الگوریتم ژنتیک: در شاخه هوش مصنوعی از رشته علوم کامپیوتر، یک الگوریتم ژنتیک (Genetic Algorithm) یک جست وجوی مکاشفه ای است که روند انتخاب طبیعی را شبیه سازی می کند. الگوریتم های ژنتیکی در بیوانفورماتیک، فیلوژنتیک، علوم محاسباتی، مهندسی، اقتصاد، شیمی، تولید، فیزیک، ریاضیات، داروشناسی و دیگر موارد کاربرد دارد.

به کارگیری انواع روش های هوش مصنوعی در سد ها: 1-پیش بینی تراوش از بدنه سد خاکی: اصولاً بروز تراوش در سدهای خاکی امری اجتناب ناپذیر است. اما می بایست تراوش طوری مهار شود تا در مدت 50 الی 100 سال بهره برداری سد، نتواند به پایداری و ایمنی سد لطمه ای بزند.  در یکی از تحقیقات صورت گرفته بر روی سد خاکی ستار خان ، با استفاده از روش شبکه عصبی ، از داده های 1684 پیزومتر استفاده شد و با نسبت 80 به 20 برای آموزش و صحت سنجی ،اعتبار این پیش بینی مورد تائید قرار گرفت و از نتایج این پیش بینی استفاده شد.

2-بهینه سازی میزان خروجی از سد به خصوص در دوران کم آبی: در این خصوص میتوان به مطالعات صورت گرفته بر روی سد چادگان که برروی رودخانه زاینده رود قرار دارد ، طی یک دوره سه ساله خشکسالی ، که در آن از روش های برنامه ریزی خطی(NLP) و هوش جمعی(PSO) و الگوریتم ژنتیک(GA) ، برای بهینه سازی میزان آب خروجی از سد کمک گرفته شد ، اشاره کرد. در پایان این مطالعه مشاهده شد که نتیجه گیری های حاصل از روش PSO از دو روش دیگر بهتر است.این بهتر بودن شامل برتری در درآمد حاصله ، سرعت پردازش و راحتی کار با این روش است. 3-پیش بینی وقوع سیلاب: سد ها را باید در برابر نیروی ناشی از رواناب های بزرگ ایمن گردانید.با استفاده از هوش مصنوعی میتوان زمان حدودی احتمال وقوع یک سیلاب را فهمید و تمهیدات لازم را اعمال کرد.در این خصوص میتوان مجموعه سدهای کارون اشاره کرد. برای انجام این کار میتوان از الگوریتم هایی بهینه سازی مانند ازدحام ذرات ، تکامل تصادفی جوامع ، ترکیب روش های ژنتیک و ازدحام ذرات و جهش غورباقه ای استفاده کرد.

4-بهینه سازی بهره برداری انرژی برقابی از سد: در این زمینه میتوان به مطالعات صورت گرفته بر روی سد دز اشاره کرد که با روشی ترکیبی ، از الگوریتم ازدحام ذرات و الگوریتم ژنتیک ،انجام شده است. به طورکلی ، اینکه در شرایط مختلف ، مقدار آبی که باید ذخیره یا رها سازی گردد ، چه مقدار است را بهینه سازی گویند.

5-بهینه سازی سیستم های چند هدفه منابع آب: به عنوان نمونه ، یکی از مطالعات صورت گرفته در این زمینه ، مطالعه در مورد بهینه سازی یک سامانه دو مخزنه(سد استور و پیرتقی در حوضه آبریز قزل اوزن) با اهداف حداکثر کردن درآمد حاصل از فروش انرژی نیروگاه و افزایش حجم ذخیره ی سیلاب در حوضه میباشد.در این مطالعه ، روش های مختلف مورد بررسی قرار گرفت و نتیجه به گونه ای شد که بین جواب های بهینه و بهینه تر ، 1/84 میلیارد ریال درآمد بیشتر و 1/13 میلیون متر مکعب حجم ذخیره افزون تر برای مجموع دو سد اختلاف به وجود آمد.

6-برآورد رسوبات معلق: ﭘﺪﯾﺪهﻫﺎی ﻓﺮﺳﺎﯾﺶ و اﻧﺘﻘﺎل رﺳﻮب در رودﺧﺎﻧﻪﻫﺎ ﯾﮑﯽ از ﻣﻬﻤﺘﺮﯾﻦ و ﭘﯿﭽﯿﺪهﺗﺮﯾﻦ ﻣﻮﺿﻮﻋﺎت ﻣﻬﻨﺪﺳﯽ رودﺧﺎﻧﻪ ﻣﯽﺑﺎﺷﺪ. .ﭘﯿﺶﺑﯿﻨﯽ دﻗﯿﻖ ﻣﯿﺰان رﺳﻮب رودﺧﺎﻧﻪﻫﺎ اﻫﻤﯿﺖ ﻗﺎﺑﻞ ﺗﻮﺟﻬﯽ در ﻣﺪﯾﺮﯾﺖ ﻣﻨﺎﺑﻊ آب و ﻃﺮاﺣﯽ و ﺳﺎﺧﺖ و ﻫﻤﭽﻨﯿﻦ ﺑﺮﻧﺎﻣﻪ رﯾﺰی در ﺑﻬﺮه ﺑﺮداری از ﺳﺎزهﻫﺎی آﺑﯽ دارد. به عنوان نمونه توانسته میزان مواد معلق در ایستگاه ﻫﯿﺪروﻣﺘﺮی ﺣﯿﺪرآﺑﺎد روی رودﺧﺎﻧﻪ ﺟﺎﻣﯿﺸﺎن را با روش شبکه عصبی مصنوعی بدست آورند که نتایج حاصله بیش از 90% با واقعیت شبهت داشته است.

7-تخمین پاسخ سد های بتنی: ایمنی و کنترل پایداری سد های بزرگ که حجم زیادی از آب را در خود ذخیره میکنند ، بسیار با اهمیت است.تغییرات دما و فشار هیدرو استاتیک از جمله عواملی هستند که باعث جابه جایی تاج سد به سمت بالادست و پایین دست خواهند شد. به عنوان نمونه با استفاده از شبکه عصبی مصنوعی جابه جایی تاج سد دز را بررسی نموده اند که تا حد زیادی به واقعیت شباهت دارد.این پیش بینی ها در زﻣﻴﻨـﻪ ﭘـﺎﻳﺶ و ﻧﮕﻬﺪاری از اﻳﻦ ﺳﺪ ﻣﻲﺗﻮاﻧﺪ ﺑﺴﻴﺎر ﻣﻔﻴﺪ ﺑﺎﺷﺪ.