论文全文范本-PC-183.DOCVIP

類神經網路與三維傳輸模式於河口鹽分模擬能力比較 陳偉柏、柳文成,*、許銘熙 摘要 感潮河川之鹽分變化為影響水體水質之重要因素，鹽分入侵的多寡會影響水生動、植物的生存環境。河口因位於外海鹽水與上游淡水的交會之處，故河口段的鹽分變化不僅受外海潮汐之影響，上游淡水流量的大小也是重要因素。本研究以倒傳遞類神經網路(BPNN)以及幅狀基底函數類神經網路(RBFNN)為架構建立一模擬淡水河口關渡站鹽分時序變化之模式。BPNN與RBFNN以2002年5月與10月之實測上游各支流淡水流量、河口與鄰近水位站水位為輸入向量進行訓練，經過訓練過後之BPNN與RBFNN再以2002年5、6月與11月之各項實測資料進行驗證工作。本研究另以三維Eulerian–Lagrangian Circulation Model (ELCIRC-3D)建置淡水河口及其近海三維水理傳輸模式，目的在探討BPNN、RBFNN與三維水理傳輸模式於河口鹽分變化模擬之能力。經模擬比較結果顯示，BPNN、、、、倒傳遞類神經網路模式的基本原理是利用最陡坡降法(The Gradient Steepest Descent Method) 的觀念，將誤差函數予以最小化。學習過程通常以一次一個訓練範例的方式進行，直到學習完所有訓練範例，即一個學習回合(Learning poch)，一個網路可以訓練範例反覆學習，直到網路的學習達到收斂。erbolic tangent sigmoid transfer function)，如方程式1)，於隱藏層與輸出層則使用inear transfer function)，如方程式。eighting)與偏權值(Bias)。 (1) (2) 3.2 幅狀基底類神經網路(RBFNN) 幅狀基底函數網路屬於基本的前饋式類神經網路，其架構包含輸入層、單一隱藏層及輸出層。RBFNN主要概念是建構許多幅狀基底函數，以函數逼近法(urve fitting)找出輸入與輸出間的映射關係，也就是在隱藏層的各神經元中建立相對應的幅狀基底函數。 (3) 建構RBFNN時重點在於決定隱藏層大小與幅狀基底函數的中心點ELCIRC-3D (Three-dimensional Eulerian–Lagrangian Circulation Model)是專為有效率地模擬河口到海洋的空間尺度變化與描述正壓與斜壓過程的三維數值模式。模式使用有限體積有限差分與半隱式Eulerian-Lagrangian運算法求解淺水波方程式 ，可增強計算效率和確保體積守恆ELCIRC-3D 模式經過多次與解析解的比對後(Zhang et al., 2004) 用來模擬美國哥倫比亞河口的鹽分分佈情形，並且得到很好的結果(Baptista et al., 2005)。本研究為模擬淡水河系所使用之地形高程及不規則網格見圖所示。模式使用下六基於靜水壓與Boussinesq假設之方程式來計算自由液面高程、水流速、鹽分與水溫，以狀態方程式來得到水體密度： (5) (6) (7) (8) (9) (10) 式中 , = 水平卡氏座標； = 垂直方向座標，向上為正； = 時間； = 垂直座標之參考水位； = 自由面高程； = 河床底部高程； ,, = 水體於x, y, z方向之流速分量； = 科氏因子； = 重力加速度； = 潮汐位能； = 地球彈性因子; =水體密度； =參考水體密度，1025 kg/ m3； =自由液面之大氣壓力； ,=水體之鹽分及溫度； =垂直黏滯係數; ,=鹽分及熱垂直擴散係數； ,,,=動量及傳輸方程式之水平擴散h； = 太陽輻射之吸收率； = 水之比熱 有關ELCIRC-3D之詳細理論說明請參考Zhang et al. (2004)。 四、。bsolute Mean Errors) 以及相關係數CC (Correlation Coefficient) 作為評估類神經網路與三維模式模擬能力之依據，表1及表2分別為訓練與測試階段各項統計結果。由表1與表2之統計結果可得知，RBFNN於訓練與測試階段均有最小之RMSE及AME誤差，但三維模式則有較高之相關係數。圖6與圖7分別為BPNN、RBFNN與三維模式於訓練及測試階段之模擬結果散佈圖，從圖中可以看出三維模式之模擬結果散佈圖形較其餘兩者集中，此可解釋即使RBFNN有較小誤差，但類神經網路之輸出結果易產生過大之高、低估誤差；三維模式於誤差表現上雖略遜於類神經網路，但模擬結果相對穩定，不會有極端值的產生。 五、1996) 「淡水河系潮流、河口環流與鹽分分佈之研究(一) 」，國立臺灣大學水工試驗所研究報告。 許銘熙、郭義雄、郭振泰、柳文成 (1997) 「淡水河系潮流、河口環流與鹽分分佈之研究(二)