تلفیق شبکه عصبی مصنوعی با مدل‌سازی هیدرولیکی برای تشخیص نشت در شبکه توزیع آب | ||
| مدیریت آب و آبیاری | ||
| دوره 16، شماره 2، تابستان 1405، صفحه 411-425 اصل مقاله (1.25 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jwim.2026.411988.1292 | ||
| نویسندگان | ||
| سید عابدین ساجدی1؛ سمیه یوسفی* 1؛ بابک بیات2 | ||
| 1گروه مهندسی عمران و محیط زیست، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران. | ||
| 2گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد تهران مرکز، تهران، ایران. | ||
| چکیده | ||
| تلفات زیاد نشت آب موجب نگرانی مسئولین آب کشور شده است تا جایی‌که آبفای تهران به ناچار در سال جاری برای ذخیره آب اقدام به قطع کامل شبانه در شبکه‌های توزیع آب نمود که موجب نارضایتی مشترکین و افزایش خطر ورود آلاینده به داخل شبکه شد. این پژوهش با رویکرد ترکیبی داده‌محور، شامل مدل‌سازی عددی مخزن 43 واقع در شمال شرق تهران با نرم‌افزار Water Gems و آموزش شبکه عصبی ANN با خروجی‌های فشار و دبی مدل عددی برای حالات نشت، به پیش‌بینی محل و مقدار نشت‌ها پرداخت. برای سنجش عملکرد و دقت مدل‌ها از معیارهای RMSE،MSE ،R2 بهره گرفته شد. در مدل‌سازی عددی بعد از اعمال نشت، میزان فشار به‌طور متوسط حدود 9/0 بار کاهش و مقدار دبی در خطوط اصلی حدود 35 درصد افزایش یافت. نتایج نشان داد احتمال تشخیص نشت در بازه 67 تا 88 درصد قرار داشته است. مدل تلفیقی، بعد از آموزش کامل افت فشار و افزایش دبی ناشی از نشت را با دقت بسیار بالایی تخمین زد، طوری‌که خطای پیش‌بینی در پایان دوره آموزش به چهار درصد کاهش یافت. این دقت بالا، قابلیت اطمینان مدل را برای شناسایی سریع و هدف‌مند محل نشت در شرایط واقعی تایید می‌کند. موفقیت این روش وابسته به صحت کالیبراسیون مدل هیدرولیکی و کیفیت داده‌های اندازه‌گیری شده است که در این پژوهش کالیبراسیون براساس دانش مهندسی برای زبری لوله‌ها، تلفات موضعی و ضرایب افت جزئی تا زمانی تنظیم شدند که اختلاف بین مقادیر مدل و داده‌های میدانی کم‌تر از 5 درصد باشد. | ||
| کلیدواژه‌ها | ||
| شبیه‌سازی هیدرولیکی؛ شبکه عصبی (ANN)؛ مدل تلفیقی؛ مدل عددی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 981 تعداد دریافت فایل اصل مقاله: 229 |
||