
تعداد نشریات | 13 |
تعداد شمارهها | 622 |
تعداد مقالات | 6,489 |
تعداد مشاهده مقاله | 8,604,790 |
تعداد دریافت فایل اصل مقاله | 8,198,354 |
رویکرد جدید پیشبینی نرخ شکست لولههای شبکه توزیع آب با استفاده از مدل هیبرید هوشمند (مطالعه موردی: شبکه توزیع آب شهر گرگان) | ||
مجله پژوهشهای حفاظت آب و خاک | ||
دوره 27، شماره 5، آذر و دی 1399، صفحه 149-166 اصل مقاله (1.14 M) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/jwsc.2021.17670.3319 | ||
نویسندگان | ||
عبدالرضا ظهیری* 1؛ سید مهران جعفری2؛ امید بزرگ حداد3؛ محمود محمدرضاپور طبری4 | ||
1عضو هیئت علمی دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
2گروه مهندسی آب- دانشکده کشاورزی- گرگان- ایران دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
3عضو هیات علمی/ پردیس کشاورزی و منابع طبیعی دانشگاه تهران | ||
4گروه مهندسی عمران- دانشکده فنی مهندسی- دانشگاه مازندران | ||
چکیده | ||
سابقه و هدف: شبکههای توزیع آب شهری بعنوان یکی از مهمترین تأسیسات و تجهیزات زیربنایی مناطق شهری محسوب میشوند. لولهها بعنوان یکی از اجزای اصلی و مهم شبکه توزیع آب، همواره در دوره بهرهبرداری تحت تأثیر عوامل مختلف دچار شکستگی میشوند، بنابراین استفاده از مدلهای مختلف جهت شناخت و پیشبینی نرخ شکست لولهها میتواند کاربرد بسیار مهمی برای مدیران و دست-اندرکاران جهت مدیریت بهینه شبکه توزیع آب شهری در دوران بهرهبرداری داشته باشد. در دهه اخیر مطالعات مختلفی جهت پیشبینی نرخ شکست لولههای شبکه توزیع آب با استفاده از مدلهای آماری و هوشمند انجام شدهاست که هریک دارایی نقاط ضعف و قوت میباشند. هدف از این تحقیق، ارائه یک رویکرد جدید برمبنای توسعه مدل پیشبینی هیبرید، با توجه به قابلیتهای مدلهای هوشمند و آماری، جهت پیشبینی دقیقتر نرخ شکست لولههای شبکه توزیع آب در مقایسه با مدلها آماری و هوشمند مورد استفاده در تحقیقات قبل میباشد. مواد و روشها: برای دستیابی به اهداف مطالعه، از آمار دوره زمانی 4 ساله (1394 تا 1397) مربوط به مشخصات شبکه توزیع آب شرب شهر گرگان شامل قطر، طول، سن، عمق نصب و تعداد شکست جهت پیشبینی نرخ شکست لولهها در آینده استفادهشد. برای پیشبینی نرخ شکست لولههای شبکه توزیع آب مورد بررسی، پنج مدل مختلف شامل سه مدل آماری (رگرسیون خطی، رگرسیون خطی تعمیمیافته، رگرسیون بردار پشتیبان) و دو مدل هوشمند (شامل شبکه عصبی مصنوعی پیشخور و شبکه عصبی مصنوعی پایه شعاعی) مورد بررسی قرار-گرفتند. انتخاب پارامترهای بهینه مدلهای مورداستفاده در این تحقیق، بر اساس شاخصهای آماری مناسب شامل ضریب همبستگی، خطای حداقل مربعات و نسبت همبستگی- خطایمربعات متوسط مربوط به دادههای آموزشی و آزمایشی انجامگردید. بهمنظور انتخاب مدل برتر از بین مدلهای مختلف برای پیشبینی نرخ شکست لولههای شبکه، مقادیر شاخصهای R و MSE مدلهای فوق در مرحله صحتسنجی محاسبه و با یکدیگر مقایسهگردید. در نهایت، بهمنظور امکان پیشبینی دقیقتر نرخ شکست لولههای شبکه توزیع آب، یک رویکرد جدید بر مبنای مدل پیشبینی هیبرید توسعه داده شد که در آن، مقادیر پیشبینیشده نرخ شکست لولههای شبکه توسط هریک از مدلهای فوق به-عنوان متغیرهای مستقل ورودی مدل برتر و مقادیر مشاهداتی نرخ شکست بهعنوان متغیر وابسته خروجی مدل برتر درنظر گرفتهشد. یافتهها: مقایسه مقادیر شاخصهای آماری R و MSE مدلهای مورد استفاده در این تحقیق در مرحله صحتسنجی نشانداد که هیچ-کدام از مدلهای مورد استفاده دارای دقت مناسبی برای پیشبینی نرخ شکست لولههای شبکه شرب شهر گرگان نیستند. مدل شبکه عصبی مصنوعی پیشخور با ضریب همبستگی 69/0 R= و مقدار خطای 062/0 MSE= دارای بهترین برآورد بود. با استفاده از رویکرد جدید توسعه داده شده بر اساس هیبرید مدلهای هوشمند و آماری مقدار R برابر 96/0 و شاخص خطای MSE برابر 046/0 بدست آمدهاست. نتیجهگیری: افزایش چشمگیر شاخص R(به میزان 39 درصد) و کاهش قابل توجه شاخص MSE (به میزان 25 درصد) ناشی از استفاده از رویکرد هیبریدی پیشنهادی برای پیشبینی نرخ شکست لولههای شبکه در مقایسه با مدل شبکه عصبی مصنوعی پیشخور نشانمی-دهد که با استفاده از این رویکرد جدید، میتوان نرخ شکست لولههای شبکه تحقیق حاضر را با دقت بسیار خوبی پیشبینی نمود. | ||
کلیدواژهها | ||
نرخ شکست لوله؛ شبکه توزیع آب شهری؛ مدل هوشمند؛ مدل هیبریدی؛ گرگان | ||
مراجع | ||
1.Aydogdu, M., and Firat. M. 2015. Estimation of failure rate in water distribution network using fuzzy clustering and LS-SVM methods. Water resources management 29: 5. 1575-1590.
2.Asnaashari, A., McBean, E. A., Gharabaghi, B., and Tutt, D. 2013. Forecasting watermain failure using artificial neural network modelling. Canadian Water Resour. J. 38: 1. 24-33.
3.Berardi, L., Giustolisi, O., Kapelan, Z., and Savic, D.A. 2008. Development of pipe deterioration models for water distribution systems using EPR. J. Hydroinf. 10: 2. 113-126.
4.Farmani, R., Kakoudakis, K., Behzadian Moghadam, K., and Butler, D. 2017. Pipe failure prediction in water distribution systems considering static and dynamic factors. Procedia Engineering, 186: 117-126.
5.Fares, H., and Zayed, T. 2010. Hierarchical fuzzy expert system for risk of failure of water mains. J. Pipeline Syst. Engin. Prac. 1: 1. 53-62.
6.Faris Hamdala, K., and Sagar, G. 2016. Statistical Analysis of Pipe Breaks in Water Distribution Systems in Ethiopia, the Case of Hawassa.
7.Ghasemnejad, S., and Nodoshan, M.S. 2014. Prediction of water distribution network pipes Vulnerability by developing statistical models. Iranian Congress of Water and Wastewater Engineering. (In Persian)
8.Ho, C.I., Lin, M.D., and Lo, S.L. 2010. Use of a GIS-based hybrid artificial neural network to prioritize the order of pipe replacement in a water distribution network. Environmental monitoring and assessment, 166: 1-4. 177-189.
9.Islam, M.S., Sadiq, R., Rodriguez, M.J., Francisque, A., Najjaran, H., and Hoorfar, M. 2011. Leakage detection and location in water distribution systems using a fuzzy-based methodology. Urban Water J. 8: 6. 351-365.
10.Jafar, R., Shahrour, I., and Juran, I. 2010. Application of Artificial Neural Networks (ANN) to model the failure of urban water mains. Mathematical and Computer Modelling, 51: 9-1. 1170-1180.
11.Kerwin, S., de Soto, B.G., and Adey, B.T. 2019. Performance comparison for pipe failure prediction using artificial neural networks. In 6th International Symposium on Life-Cycle Civil Engineering, IALCCE 2018 (pp. 1337-1342). CRC Press/Balkema.
12.Kakoudakis, K., Behzadian, K., Farmani, R., and Butler, D. 2017. Pipeline failure prediction in water distribution networks using evolutionary polynomial regression combined with K-means clustering. Urban Water J.14: 7. 737-742.
13.Kleiner, Y., and Rajani, B. 2002. Forecasting variations and trends in water-main breaks. J. Infrastruc. Syst.8: 4. 122-131.
14.Kapelan, Z.S., Savic, D.A., and Walters, G.A. 2003. A hybrid inverse transient model for leakage detection and roughness calibration in pipe networks. J. Hydr. Res. 41: 5. 481-492.
15.Motiee, H., and Ghasemnejad, S. 2019. Prediction of pipe failure rate in Tehran water distribution networks by applying regression models. Water Supply,19: 3. 695-702.
16.Mounce, S.R., Day, A.J., Wood, A.S., Khan, A., Widdop, P.D., and Machell, J. 2002. A neural network approach to burst detection. Water science and technology, 45: 4-5. 237-246.
17.Pandey, P., Dongre, S., and Gupta, R .2020. Probabilistic and fuzzy approaches for uncertainty consideration in water distribution networks–a review. Water supply. 20: 1. 13-27.
18.Robles-Velasco, Alicia, Pablo Cortés, Jesús Muñuzuri, and Luis Onieva. "Prediction of pipe failures in water supply networks using logistic regression and support vector classification." Reliability Engineering & System Safety. 196 (2020): 106754.
19.Rohan Dipakkumar Kania, S.S. 2017. Risk assessment of water distribution network using fuzzy based system. Inter. J. Adv. Res. Engin. Sci. Manage.
20.Rajani, B., and Kleiner, Y. 2001. Comprehensive review of structural deterioration of water mains: physically based models. Urban water, 3: 3. 151-164.
21.Rogers, P.D., and Grigg, N.S. 2009. Failure assessment modeling to prioritize water pipe renewal: two case studies. J. Infrastruc. Syst. 15: 3. 162-171.
22.Sadiq, R., Kleiner, Y., and Rajani, B. 2007. Water quality failures in distribution networks-risk analysis using fuzzy logic and evidential reasoning. Risk Analysis: An Inter. J. 27: 5. 1381-1394.
23.Shamir, U., and Howard, C.D. 1979. An analytic approach to scheduling pipe replacement. J. Amer. Water Work Assoc. 71: 5. 248-258.
24.Shirzad, A., Tabesh, M., and Farmani, R. 2014. A comparison between performance of support vector regression and artificial neural network in prediction of pipe burst rate in water distribution networks. KSCE J. Civil Engin. 18: 4. 941-948.
25.Soltani, J., and Tabari Rezapour, M. 2012. Determination of effective parameters in pipe failure rate in water distribution system using the combination of artificial neural networks and genetic algorithm. J. Water Waste 83: 2-18.
26.Sattar, A.M., Gharabaghi, B., and McBean, E.A. 2016. Prediction of timing of watermain failure using gene expression models. Water resources management, 30: 5. 1635-1651.
27.Soltanjalili, M., Bozorg-Haddad, O., and Mariño, M.A. 2011. Effect of breakage level one in design of water distribution networks. Water resources management, 25: 1. 311-337.
28.Sacluti, F.R. 1999. Modelling water distribution pipe failures using artificial neural networks.
29.Tabari, M.M.R., and Malekpour Shahraki, M.M. 2018.Reservoir Water Level Prediction Using Supervised Intelligent Committee Machine Method, Case Study: Karaj Amirkabir Dam. Iran-Water Resources Research, 14: 5. 15-30 (In Persian)
30.Tavakoli, R., Najafi, M., and Sharifara, A. 2019. Artificial Neural Networks and Adaptive Neuro-fuzzy Models for Prediction of Remaining Useful Life. arXiv preprint arXiv:1909.02115.
31.Tu, M.Y., Tsai, F.T.C., and Yeh, W.W.G. 2005. Optimization of water distribution and water quality by hybrid genetic algorithm. J. Water Resour. Plan. Manage. 131: 6. 431-440.
32.Wang, Y., Zayed, T., and Moselhi, O. 2009. Prediction models for annual break rates of water mains. J. Perform. Construc. Facilit. 23: 1. 47-54.
33.Xu, Q., Chen, Q., Ma, J., and Blanckaert, K. 2014. Optimal pipe replacement strategy based on break rate prediction through genetic programming for water distribution network. J. Hydro-Environ. Res. 7: 2. 134-140.
34.Xu, Q., Chen, Q., Li, W., andMa, J. 2011. Pipe break predictionbased on evolutionary data-driven methods with brief recorded data. Reliability Engineering & System Safety, 96: 8. 942-948. | ||
آمار تعداد مشاهده مقاله: 536 تعداد دریافت فایل اصل مقاله: 332 |