یافتن محل دو نشت همزمان در شبکه توزیع آب با استفاده از شبکه‌های عصبی مصنوعی پیش‌خور ترکیبی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار، گروه مهندسی عمران، دانشکده آب و محیط زیست، دانشگاه شهیدبهشتی، تهران، ایران

2 دانشجوی دکتری، گروه مهندسی عمران، واحد رودهن، دانشگاه آزاد اسلامی، رودهن، ایران

3 استادیار گروه مهندسی عمران ، واحد رودهن ، دانشگاه آزاد اسلامی ، رودهن ، ایران.

4 استادیار، گروه مهندسی عمران، دانشکده آب و محیط زیست، دانشگاه شهیدبهشتی، تهران، ایران

10.22060/ceej.2021.20017.7316

چکیده

نشت یکی از چالش‌های اساسی در بهره‌برداری از شبکه‌های توزیع آب است. در این پژوهش با استفاده از شبکه‌‎های عصبی مصنوعی پیش‎خور (Feedforward) به تعیین محل نشت‌ها در شبکه‌های توزیع آب پرداخته شده است. برای این منظور، دو سناریو در آموزش شبکه‌های عصبی در نظر گرفته شده است. در سناریو اول دو نشت همزمان با مقادیر برابر و در سناریو دوم دو نشت همزمان اما با مقادیر نابرابر در هر یک از دو گره شبکه قرار داده‎ شده است. داده‌های آموزش با استفاده از نرم‌افزار شبیه‌ساز هیدرولیکی EPANET2.0 در محیط MATLAB بدست ‎آمده است. در هر یک از دو سناریو، ابتدا شبکه‌های عصبی با استفاده از مقدار دبی کل لوله‌ها آموزش می‌بینند. سپس تحلیل حساسیت توسط شبکه‌های عصبی مصنوعی ترکیبی به ازای مقدار دبی درصدهای مختلف لوله‌ها انجام می‌شود. نتایج شبکه‌های عصبی ترکیبی پیشنهادی نشان می‌دهد که در سناریو اول با داشتن دبی %10 لوله‌ها موقعیت دو نشت همزمان با موفقیت قابل تعیین است. در سناریو دوم، مادامی که اختلاف مقدار دو نشت کمتر از %80 نشت بیشینه است (تا نسبت‌های 10 و 90 درصد) با داشتن دبی %10 لوله‌ها، موقعیت هر دو نشت با موفقیت تعیین می‌گردد. اما برای اختلاف‌های بیشتر، فقط محل نشت بزرگتر قابل تعیین است. علی‌رغم پیچیدگی‌های سناریوی دوم، شبکه‌های عصبی پیشنهادی نشت‌های بزرگتر را با موفقیت تشخیص می‌دهند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Detection of two simultaneous leakages in water distribution network using hybrid feedforward artificial neural networks

نویسندگان [English]

  • Mohammadreza Jalili Ghazizadeh 1
  • Hamideh Fallahi 2
  • Babak Aminnejad 3
  • Jafar Yazdi 4
1 Associate Professor, Department of Civil Engineering, Faculty of Water and Environmental Engineering, Shahid Beheshti University, Tehran, Iran
2 Ph.D. Student, Department of Civil Engineering, Roudehen Branch, Islamic Azad University, Roudehen, Iran
3 Assistant Professor, Department of Civil Engineering, Roudehen Branch, Islamic Azad University, Roudehen, Iran
4 Assistant Professor, Department of Civil Engineering, Faculty of Water and Environmental Engineering, Shahid Beheshti University, Tehran, Iran
چکیده [English]

The leakage is one of the main challenges in the operation of water distribution networks. In the present study, leakage location is detected using Feedforward Artificial Neural Networks (ANNs). For this purpose, two scenarios are considered for training the ANNs. In the first scenario, two simultaneous leakages with equal values, and in the second scenario, two simultaneous leakages but with unequal values are applied to every pair of network node. The training data are analyzed by EPANET2.0 hydraulic simulation software linked with the MATLAB programming language. In both scenarios, first, ANNs are trained using flow rates of total pipes number. Then, sensitivity analysis is performed by Hybrid ANNs for the flow rates of different percent of pipes number. The results of the proposed Hybrid ANNs indicate that in the first scenario, by having the flow rates of 10% of the total pipes, the locations of two simultaneous leakages are successfully determined. However, for the second scenario, while the difference between the two leakages is less than 80% of the maximum leakage (up to ratio value of 10 and 90 % leakages), by having the flow rates of 10% of the total pipes, the locations of the two leakages are still successfully determined. But for larger differences, only the location of the bigger leakage can be detected. Despite the complexities of the second scenario, the proposed ANNs could successfully detect the location of the bigger leakage.

کلیدواژه‌ها [English]

  • Leakage detection
  • Feedforward artificial neural network
  • discharge
  • EPANET2.0
  • Water distribution networks