
تعداد نشریات | 13 |
تعداد شمارهها | 623 |
تعداد مقالات | 6,501 |
تعداد مشاهده مقاله | 8,624,372 |
تعداد دریافت فایل اصل مقاله | 8,214,148 |
ارائه الگویی مبتنی بر مدلسازی ریاضی و پویایی سیستم برای زنجیره تأمین امنیت آب شهری در استان گیلان | ||
مجله پژوهشهای حفاظت آب و خاک | ||
مقاله 1، دوره 31، شماره 2، تیر 1403، صفحه 1-31 اصل مقاله (829.76 K) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/jwsc.2024.21920.3694 | ||
نویسندگان | ||
طیبه حیدری کوشالشاه1؛ مریم دانشمندمهر* 2؛ میلاد ابوالقاسمیان3 | ||
1دانشآموخته کارشناسیارشد گروه مهندسی صنایع، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران. | ||
2نویسنده مسئول، استادیار گروه مهندسی صنایع، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران. | ||
3گروه مهندسی صنایع، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران. | ||
چکیده | ||
سابقه و هدف: تأمین امنیت آب شهری به مجموعه اقداماتی اطلاق میشود که به منظور حفظ و تضمین عرضه آب به شهرها و جوامع در یک رویکرد ایمن از نظر بهداشتی، کیفیتی و تامینی انجام میشود. امنیت آب شهری شامل مسائلی از قبیل تأمین آب به میزان کافی و پایدار، حفظ کیفیت آب، جلوگیری از آلودگی های مختلف، مدیریت منابع آب، حفاظت از تأمین آب در مواجهه با تهدیدهای طبیعی و انسانی، و تأمین آب در شرایط اضطراری و بحرانی میباشد. هدف نهایی تأمین امنیت آب شهری، بهبود کیفیت زندگی شهروندان و حفظ سلامتی عمومی است. بنابراین، کاهش و افزایش نوسانات در موجودی آب شرب شهری و تضمین تأمین امنیت آب برای جوامع شهری، مسئولیتهای مهمی هستند که بر دوش سیستمهای تأمین آب قرار دارند. استان گیلان، با مسائلی مانند نوسانات جوی متعددی روبرو است که اهمیت نامحدودی برای امنیت آب به وجود می آورد. مواد و روشها: در این مقاله با استفاده از روشهای بهینه سازی یک الگو برای سیستم آبرسانی شهری در استان گیلان با استفاده از مدلسازی ریاضی و پویایی سیستم ارائه شده است. برای این منظور، یک مدل ترکیبی با استفاده از مدلسازی ریاضی، الگوریتم های فراابتکاری و رویکرد پویایی سیستم ارائه شده است. با استفاده از مدل ریاضی و الگوریتم فراابتکاری متغیرهای تصمیم که شامل میزان منابع آبی، میزان آب تصفیه شده در سیستم تصفیه آب، میزان هرزآب در ناحیه و میزان کمبود آب در ناحیه به همراه مقادیر توابع هدف که هدف اول مسئله حداقل کردن هزینه تامین آب می باشد که شامل هزینه انرژی، میزان مصرف انرژی، هزینه احداث سیستم تصفیه، هزینه مدیریت منابع آب، هزینه مدیریت سیستم تصفیه، هزینه انتقال منابع آب و هرزآب می باشد. همچنین، هدف دوم مسأله که دنبال حداقل ساختن کمبود آب برای کل سیستم می باشد. بدست آمده است. سپس، این مقادیر به عنوان مقادیر ورودی وارد مدل پویایی سیستم شده و به این وسیله میزان کمبود در دوره های آتی پیش بینی شده است. یافتهها: پس از بررسی صحت و اعتبار مدل ارائه شده در سیستم آبرسانی شهری از منابع مختلف، نتایج حاصل شده حاکی از آن است که افزایش ظرفیت تصفیه و همچنین وجود منابع آبی در نواحی استان می تواند بر هزینه تصفیه و کاهش کمبود و هرزآب اثرگذار باشد. نتایج حاصل از پیش بینی میزان کمبود در دوره های آتی یک روند خطی را تا بیش از 520 هزار واحد نشان داد. ضمن اینکه تحلیل حساسیت های انجام شده نیز اثرگذاری معکوس پارامترهای ظرفیت و میزان آب ورودی و اثرگذاری مستقیم پارامترهای هزینه انتقال، میزان مصرف انرژی، هزینه مصرف تامین انرژی، هزینه تصفیه، هزینه منبع، هزینه احداث و تقاضا را نشان دادند. در میان پارامترهای با اثرگذاری مستقیم، هزینه مصرف انرژی، هزینه احداث و هزینه تصفیه دارای بیشترین اثرگذاری بر هزینه تأمین می باشند. همچنین، پارامتر هزینه تصفیه و تقاضا دارای بیشترین اثرگذاری بر کمبود و هرزآب در سیستم می باشند. نتیجهگیری: نتایج این تحقیق اطلاعات مفیدی در خصوص پیش بینی کمبود آب شرب در اختیار مدیران شرکت آب و فاضلاب استان گیلان برای تأمین آب شرب شهری و همچنین سایر مصرف کنندگان اعم از خانگی، صنعتی و کشاورزی در تأمین آب شرب شهری در کلانشهر رشت ارائه می کند. | ||
کلیدواژهها | ||
مدیریت منابع آب؛ مدیریت پساب؛ تأمین آب؛ پویایی سیستم؛ امنیت آب | ||
مراجع | ||
1.Song, W., Liu, Y., Arowolo, A., Zhang, Y., & Xu, Q. (2018). Optimal water allocation scheme in integrated water-ecosystem-economy system. River Basin Management. Springer Press, Singapore.2.Tian, J., Guo, S., Liu, D., Pan, Z., & Hong, X. (2019). A fair approach for multi-objective water resources allocation. Water Resources Management, 33, 3633-3653.3.Parween, S., & Sinha, R. C. (2023). Identification of Indicators for Developing an Integrated Study on Urban Water Supply System, Planning, and Management. Journal of Environmental Engineering, 149 (3), 04022095.4.Nezami, N., Zarghami, M., Tizghadam, M., & Abbasi, M. (2022). A novel hybrid systemic modeling into sustainable dynamic urban water metabolism management: Case study. Sustainable Cities and Society, 85, 104065.5.Demirel, D. F., Gönül-Sezer, E. D., & Pehlivan, S. A. (2022). Analyzing the wastewater treatment facility location/network design problem via system dynamics: Antalya, Turkey case. Journal of Environmental Management, 320, 115814.6.Shiu, H. Y., Lee, M., Lin, Z. E., & Chiueh, P. T. (2023). Dynamic life cycle assessment for water treatment implications. Science of the Total Environment, 860, 160224.7.Heydari Kushalshah, T., Daneshmand-Mehr, M., & Abolghasemian, M. (2023). Hybrid modelling for urban water supply system management based on a bi-objective mathematical model and system dynamics: A case study in Guilan province. Journal of Industrial and Systems Engineering, 15 (1), 260-279.8.de Melo, M. C., Formiga-Johnsson, R. M., de Azevedo, J. P. S., de Oliveira Nascimento, N., Machado, F. L. V., Pacheco, F. A. L., & Fernandes, L. F. S. (2021). A raw water security risk model for urban supply based on failure mode analysis. Journal of Hydrology, 593, 125843.9.Golpîra, H., & Tirkolaee, E. B. (2019). Stable maintenance tasks scheduling: A bi-objective robust optimization model. Computers & Industrial Engineering, 137, 106007.10.Nepal, S., & Tran, L. T. (2019). Identifying trade-offs between socio-economic and environmental factors for bioenergy crop production: A case study from northern Kentucky. Renewable Energy, 142, 272–283.11.Tian, Y., Li, C., Yi, Y., Wang, X., Shu, A. (2020). Dynamic model of a sustainable water resources utilization system with coupled water quality and quantity in Tianjin city. Sustainability, 12 (10), 4254.12.Xu, Z., Yao, L., & Chen, X. (2020). Urban water supply system optimization and planning: Bi-objective optimization and system dynamics methods. Computers & Industrial Engineering, 142, 106373.13.Yu, Y., Zhao, R., Zhang, J., Yang, D., & Zhou, T. (2021). Multi-objective game theory optimization for balancing economic, social and ecological benefits in the Three Gorges Reservoir operation. Environmental Research Letters, 16 (8), 085007.14.Deng, L., Guo, S., Yin, J., Zeng, Y., & Chen, K. (2022). Multi-objective optimization of water resources allocation in Han River basin (China) integrating efficiency, equity and sustainability. Scientific Reports, 12 (1), 1-21.15.Gilani, H., Shobeiry, S., Kami, M. B., & Sahebi, H. (2022). A sustainable redesign model for the water/wastewater supply network: A water–energy nexus approach. Kybernetes, 52 (5), 1842-1860.16.Xu, Z. (2023). Water-climate change extended nexus contribution to social welfare and environment-related sustainable development goals in China. Environmental Science and Pollution Research, 30 (14), 40654-40669.17.Pirouz, B., & Khorram, E. (2016). A computational approach based on the ε-constraint method in multi-objective optimization problems. Advances and Applications in Statistics, 49 (6), 453.18.Abolghasemian, M., & Darabi, H. (2018). Simulation based optimization of haulage system of an open-pit mine: Meta modeling approach. Organizational resources management researchs, 8 (2), 1-17.19.Abolghasemian, M., Kanai, A. G., & Daneshmandmehr, M. (2020). A two-phase simulation-based optimization of hauling system in open-pit mine. Iranian journal of management studies, 13 (4), 705-732.20.Abolghasemian, M., Kanafi, A. G., & Daneshmand-Mehr, M. (2022). Simulation‐ Based Multiobjective Optimization of Open‐Pit Mine Haulage System: A Modified‐NBI Method and Meta Modeling Approach. Complexity, 2022 (1), 3540736.21.Chobar, A. P., Adibi, M. A., & Kazemi, A. (2022). Multi-objective hub-spoke network design of perishable tourism products using combination machine learning and meta-heuristic algorithms. Environment, Development and Sustainability, 1-28.22.Ghasemi, P., & Abolghasemian, M. (2023). A Stackelberg game for closed-loop supply chains under uncertainty with genetic algorithm and gray wolf optimization. Supply Chain Analytics, 4, 100040. | ||
آمار تعداد مشاهده مقاله: 281 تعداد دریافت فایل اصل مقاله: 140 |