پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,958,245 |
| تعداد دریافت فایل اصل مقاله | 89,631,047 |
پیش بینی تقاضای کوتاه مدت آب شهر تهران با استفاده از شبکه های عصبی مصنوعی | ||
| نشریه دانشکده فنی | ||
| مقاله 2، دوره 41، شماره 2 - شماره پیاپی 1500، خرداد 1386 اصل مقاله (302.1 K) | ||
| نویسندگان | ||
| مسعود تابش؛ سیامک گوشه؛ محمدجواد یزدان پناه* | ||
| چکیده | ||
| پیش بینی تقاضای کوتاه مدت آب شهری کمک موثری به مدیران و بهره برداران سیستمهای آب شهری می باشد تا بتوانند نسبت به مدیریت صحیح مصرف، مخازن، پمپها، شیرآلات و تصفیه خانه ها اقدام نمایند. مصرف کوتاه مدت آب تابعی از پارامترهای مختلف و متنوع مانند شرائط اقلیمی و هواشناسی، مناسبتهای فرهنگی، اقتصادی، اجتماعی و مصارف گذشته می باشد. بدلیل همین تنوع، پیش بینی مصرف کوتاه مدت بصورت تحلیلی بسیار مشکل و یا ناممکن می باشد. در این شرایط استفاده از سیستمهای هوشمند مانند شبکه های عصبی مصنوعی می تواند بعنوان یک گزینه راه گشا مطرح گردد. در این تحقیق با استفاده از شبکه های عصبی پرسپترون چند لایه و با الگوریتم آموزشی پس انتشار خطا، میزان مصرف یک روزه آب شهر تهران بر اساس پارامترهای هواشناسی و داده های تاریخی مصارف گذشته پیش بینی می شود. نتایج این تحقیق نشان میدهد که با اطلاعات محدود قابل دسترس، شبکه عصبی با دو لایه نهان که به ترتیب دارای یک و هفت نرون می باشند توانسته است میزان تقاضای روزانه آب شهر تهران را با ضریب همبستگی بیش از 80 درصد و خطای متوسط حدود دو درصد تخمین بزند. بدیهی است با افزایش تعداد داده ها در یک دوره زمانی گسترده تر، میزان دقت مدل قابل بهبود می باشد. در این مقاله همچنین با استفاده از شبکه های عصبی مصنوعی، یک فرمول ساده برای پیش بینی میزان مصرف روزانه آب شهر تهران تولید شده است و با ورود داده های درجه حرارت هوا و مصرف آب روز قبل، میزان مصرف روز بعد بدست میاید. نتایج این تحقیق نشان میدهد که این فرمول قادر است میزان تقاضای روزانه آب شهر تهران را با میانگین خطای مطلق حدود 3 درصد، تخمین بزند. | ||
| کلیدواژه‌ها | ||
| پارامترهای هواشناسی؛ تقاضای کوتاه مدت آب؛ شبکه های عصبی مصنوعی؛ مصرف آب | ||
| عنوان مقاله [English] | ||
| - | ||
| چکیده [English] | ||
| Short-term water demand modeling plays a key role in urban water resources planning and management. The importance of demand prediction is even greater in countries like Iran with frequent periods of drought. Short-term water demand estimation is useful for planning and management of water and wastewater facilities such as pump scheduling, control of reservoirs and tanks volume, pressure management and water conservation programs. This helps the network managers to decrease vulnerability of the system and consumers and to increase network reliability. Exact prediction of short-term water demand which is a function of different complex parameters is difficult, time consuming and even impossible. In this research Artificial Neural Networks method (ANN) with back propagation algorithm is used to develop a model for daily water demand prediction of the city of Tehran (center of Iran) using climate parameters and previous daily water consumption records. Several structures were considered with one and two hidden layers and 0- 50 neurons. Also different linear and nonlinear functions were tested for the layers and finally nonlinear function was chosen for the hidden layers and linear function for the output layer. Furthermore, each year was divided into two parts and different models were constructed for hot and cold months. About four years data for Tehran daily water consumption was available. The model was calibrated by daily data for two years period. At the learning stage, in order to establish the optimal structure of the ANN model, the case of two hidden layers and seven neurons produced the best results and therefore, it was applied for water demand prediction in this city. Results indicate that ANN models can be used to predict Tehran short-term daily water demand, properly. Model evaluation showed that the correlation coefficients for demand prediction are more than 80% for both learning and testing data and the average of error is only 2%. Comparison of the results from ANN and Fuzzy models showed that the ANN outputs are more accurate. Furthermore, a simple formula was proposed to evaluate daily water demand of Tehran using results of a one layer one neuron ANN model with just two input parameters of the last day temperature and water consumption. The results showed good correlation with the measured values with mean error of less than 3%. It can be concluded that a useful model and a simple formula have been produced as the outcomes of this research which can help Tehran water company decision makers for better operating of the system. | ||
|
آمار تعداد مشاهده مقاله: 2,327 تعداد دریافت فایل اصل مقاله: 2,627 |
||