توانمندى محاسبات نرم در مدلسازى سيستمهاى غيرخطى تکتونيکى
توانمندى محاسبات نرم در مدلسازى سيستمهاى غيرخطى تکتونيکى
چکيده:
هنگامى که بحث مدل تکتونيکى يک منطقه به ميان مىآيد، معمولاً يک منطقه پيچيده از لحاظ وضعيت ساختارهاى تکتونيکى در ذهن مجسم مىگردد که بايستى با شناسايى ويژگيهاى تکتک ساختارها، مدلى را لحاظ نمود که پاسخگوى ايجاد آن ساختارها و وضعيت فعلى حاکم بر منطقه باشد. در اين ميان وجود ناهمگنىهايى از جمله تفاوت در سن، ويژگيهاى مکانيک سنگ و مقاومت نسبى سازندهاى منطقه، موجب کاهش دقت در روشهاى کلاسيک مدلسازى سيستمهاى تکتونيکى که به شدت وابسته به مدل رياضى سيستم هستند، به لحاظ تحليل با مجموعهاى از تقريبها در جهت کسب سيستمى مرتبه پايين و خطى مىگردد. روشهاى محاسبه نرم (Soft Computing) از جمله محاسبه فازى با جايگزين کردن حوزه دانش مسأله (knowledge driven) بجاى حوزه مقادير عددى (data driven) نياز به محاسبات رياضى پيچيده را که در همه سيستمهاى غير خطى تکتونيکى معمول است، حذف نموده، بهرهگيرى از استدلالات شبه انسانى را در مدلسازى ديناميک آنها وارد مىکند. هر دوى حوزه دانش مسأله (اطلاعات غير عددى) و حوزه مقادير مسأله (اطلاعات عددى) دو چارچوب کلى در تحليل سيستمها هستند. اولى شامل ترکيبى از قوانين و دانش تجربى است که رفتار کلى سيستم را بيان مىکند. اين قوانين و دانش تجربى برخى خطاها را ذاتاً با خود دارد. ديگرى، عموماً ديتا، مجموعهاى از اندازهگيريهاى ورودى - خروجى است که رفتار لحظهاى سيستم را بيان مىنمايد و آشکارا متأثر از نويزپذيرى و خطاى انسانى مىباشد. وقتى مسائل پيچيده تکتونيکى را در اين دو چارچوب بررسى مىکنيم، مىبينيم که فضاى حل مسأله بزرگ بوده و مدلهاى دقيق مبتنى بر روشهاى کلاسيک چنان بد تعريف مىشوند که غيرعملى مىگردند، اما خصوصيت محاسبه نرم که نقطه مشترک همه تکنولوژىهاى آن محسوب مىشود، انحراف از استدلال کلاسيکى است به نحوى که در آنها مدلهاى رياضى (analytical models)، استدلال مبتنى بر جبر بول (Boolean logic)، طبقهبندىهاى خشک (Crisp classification) و جستجوى جبرى براى پارامترها معنى نداشته و به آنها توانايى پرداختن به انواع ابهامات و ترديدهاى مربوط به مسائل جهان واقعى (Real-world problems) را مىدهد
مقدمه:
امروزه محاسبات عصبى (neurocomputing)، استدلال احتمالى (probabilistic computing)، محاسبات تکاملى (evolutionary computing) و منطق فازى (fuzzy logic) به طور بنيادى در زمينههاى کاربردى بسيارى از قبيل سيستمهاى خبره، پردازش سيگنال، تشخيص الگو، کنترل سيستم و غيره… به کار گرفته مىشوند. نقطه مشترک اين تکنيکها، انحراف از استدلال کلاسيک مىباشد که به آنها توانايى پرداختن به انواع ابهامات و ترديدهاى مربوط به جهان واقعى را مىدهد، از اينرو علىرغم تفاوتهايى که نسبت به هم دارند، به مجموعه آنها محاسبه نرم اطلاق مىشود. اين عنوان مرکب از ايدهها و تکنيکهايى است که مىتواند ما را براى غلبه بر مشکلاتى که در يک منطقه پيچيده از لحاظ ساختارهاى تکتونيکى با آنها مواجهايم، توانمند سازد. اين مشکلات ناشى از اين حقيقت است که زمين ما به لحاظ ناهمگنى، تنوع ساختارها و تفاوت در ويژگيهاى ژئومکانيکى سنگهاى تشکيل دهنده آن، غير دقيق و مبهم بوده و دستهبندى آن مشکل به نظر مىرسد. از اين ديدگاه محاسبه نرم را مىتوان مجموعه روشهايى دانست که تحمل نقص ناشى از عدم دقت و ابهامات را ممکن ساخته است.
بحث:
روشهاى پايه موجود در محاسبه نرم که گاهى محاسبه ادراکى نيز ناميده مىشود، همان الگوريتم ژنتيک (GA)، شبکه عصبى (NN) و منطق فازى (FL) است. اين روشها قابل اشتقاق از متدهاى کلاسيک نمىباشند. منطق فازى به طور عمده به استدلال غيردقيق و تقريبى و محاسبه با کلمات مربوط مىشود حال آنکه شبکههاى عصبى به يادگيرى و طبقهبندى، استدلال احتمالى به شک و ترديدها و محاسبه تکاملى به يافتن حلى بهينه و کارآمد مربوط مىگردد. به بيانى ديگر، استدلالات احتمالى (PR) و فازى (FL) به استدلال تقريبى مبتنى بر دانش مىپردازند ليکن عمل دو دسته ديگر يعنى(NN وEC) جستجو در يک فضاى حل بزرگ براى دستيابى به حلى بهينه مىباشد. اشتراکات اين روشها عبارتند از:
1- غيرخطى هستند و توانايى پرداختن به مسائل غير خطى را دارند.
2- مسير و روند استدلالات شبه انسانى را بيشتر از روشهاى استدلال کلاسيکى دنبال مىکنند.
3- قابليت خود يادگيرى دارند.
4- در برابر نويز وخطا مقاومت خوبى دارند.
5- تئورىهاى سودمند الهام گرفته از سيستمهاى بيولوژيکى در آنها وجود دارد.
با توجه به اين تشابهات، انتظار مىرود خصوصيات مربوط به هر تکنيک منفرد در تکنيکهاى جديدى که از ترکيب آنها بدست مىآيد تقويت شده، رفتارها و عملکردهاى جديدى خلق شود. به عنوان مثال يک ترکيبى که بسيار مورد توجه است، معمارى عصبى- فازى مىباشد. بيشتر سيستمهاى عصبى- فازى، سيستمهايى مبتنى بر قوانين فازى بوده که در آنها از تکنيکهاى عصبى جهت استنتاج قوانين و درجهبندى استفاده مىشود.
تکنيکهاى مرتبط با محاسبه نرم، در دو دسته زير قرار دارند:
استدلال تقريبى
جستجوى حل بهينه
اولى مبتنى بر حوزه دانش مسأله و ديگرى بر حوزه مقادير عددى مسأله استوار است. بنابراين محاسبات فازى و احتمالى از نوع اولى و محاسبات عصبى و تکاملى از نوع دومى مىباشند. اين تقسيمبندى از طبيعت الهام گرفته شده و ترکيب آنها در موارد بسيارى مشاهده مىشود. روشهاى کلاسيک نيز در همان چارچوب حوزه دانش - حوزه مقاديرعددى قرار دارند. در طبقه نخست، روشهاى کلاسيک به کمک معادلات ديفرانسيلى يا تفاضلى و يا به کمک جبر بول، به کد کردن دانش مسأله در قالب مدلى که رفتار سيستم را شرح مىدهد، مىپردازند. متاسفانه دانش هميشه ناقص بوده و با افزايش پيچيدگى سيستم معادلات بزرگ و دست نيافتنى مىگردند، البته در برخى موارد با برخى فرضهاى ساده مىتوان شرايط مختلف مسأله را دنبال کرد.
نتيجهگيرى:
وقتى روشهاى کلاسيک در حوزه مقادير عددى به کار گرفته مىشوند با مشکلاتى از قبيل نقص اطلاعات، نويزى بودن آنها و پيچيدگى شرايط چند بعدى مواجه مىشويم. مشکل اساسى روشهاى کلاسيکى حل مسأله به خشک بودن اطلاعات و غيردقيق و مبهم بودن دانش مسأله برمىگردد. محاسبه نرم با خصوصياتى که براى آن ذکر شد اين مشکلات را برطرف مىنمايد، زيرا الگوى متفاوتى را در برخورد با دانش مسأله و اطلاعات آن پيش مىگيرد. به طور خلاصه محاسبه نرم ائتلافى از روشهاى مختلف است که به انواع مختلف ابهامات و ترديدها و عدم قطعيتهايى که در مسائل جهان واقعى با آنها مواجهايم، مىپردازد.
خلاصه توضيحات :
Absract:
A tectonic model of region should support the formation and mechanisms of the individual structures in the region. Existence of some inhomogenity such as differences in the age and rock mechanics properties of the geological formations of the methods of classic modeling of systems which required analytical models intensively. The common denominator of soft computing technologies is their departure from classical reasoning and modeling approaches that are usually based on Boolean logic, analytical models, crisp classifications, and deterministic search. In ideal problem formulations, the tectonic systems to be modeled are described by complete and precise information, but when we solve real-world problems of tectonics, we realize that such systems are typically ill defined, difficult to model, and possess large solution spaces. In these cases, precise models are impractical, or non-existent. Our solution must be generated by leveraging two kinds of resources: problem domain knowledge of the process and field data that characterize the behavior of the system. The relevant available domain knowledge is typically a combination of first principles and empirical knowledge, and is usually incomplete and sometimes erroneous. The available data are typically a collection of input-output measurements, representing instances of the system’s behavior, and may be incomplete and noisy
|