‫‪AC‬‬

‫یافتن محل دو نشت همزمان در شبکه توزیع آب با استفاده از شبکههای عصبی مصنوعی‬
‫پیش خور ترکیبی‬
‫‪CE‬‬
‫‪4‬‬
‫حمیده فالحی‪ ،1‬محمدرضا جلیلی قاضی زاده‪ ،*2‬بابک امیننژاد‪ ،3‬جعفر یزدی‬
‫‪1‬دانشجوی دکتری‪ ،‬گروه مهندسی عمران‪ ،‬واحد رودهن‪ ،‬دانشگاه آزاد اسالمی‪ ،‬رودهن‪ ،‬ایران‬
‫‪ 2‬دانشیار‪ ،‬دانشکده مهندسی عمران‪ ،‬آب و محیط زیست‪ ،‬دانشگاه شهیدبهشتی‪ ،‬تهران‪ ،‬ایران‬
‫‪3‬استادیار‪ ،‬گروه مهندسی عمران‪ ،‬واحد رودهن‪ ،‬دانشگاه آزاد اسالمی‪ ،‬رودهن‪ ،‬ایران‬
‫‪PT‬‬
‫‪ 4‬استادیار‪ ،‬دانشکده مهندسی عمران‪ ،‬آب و محیط زیست‪ ،‬دانشگاه شهیدبهشتی‪ ،‬تهران‪ ،‬ایران‬
‫‪* m_jalili@sbu.ac.ir‬‬

‫چکیده‬
‫‪ED‬‬
‫نشت یکی از چالشهای اساسی در بهرهبرداری از شبکههای توزیع آب است‪ .‬در این پژوهش با استفاده از شبکههای عصبی مصنوعی پیشخور (‪ )Feedforward‬به‬
‫تعیین محل نشتها در شبکههای توزیع آب پرداخته شده است‪ .‬برای این منظور‪ ،‬دو سناریو در آموزش شبکه های 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 ‪ EPANET2.0‬در محیط ‪ MATLAB‬بدست 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%‬لوله ها موقعیت دو نشت همزمان با موفقیت قابل تعیین است‪ .‬در سناریو دوم‪ ،‬مادامی که اختالف مقدار‬
‫‪MA‬‬

‫دو نشت کمتر از ‪ 80%‬نشت بیشینه است (تا نسبتهای ‪ 10‬و ‪ 90‬درصد) با داشتن دبی ‪ 10%‬لولهها‪ ،‬موقعیت هر دو نشت با موفقیت تعیین میگردد‪ .‬اما برای اختالف‬
‫های بیشتر‪ ،‬فقط محل نشت بزرگتر قابل تعیین است‪ .‬علیرغم پیچیدگیهای سناریوی دوم‪ ،‬شبکههای عصبی پیشنهادی نشتهای بزرگتر را با موفقیت تشخیص می‬
‫دهند‪.‬‬

‫کلمات کلیدی‬
‫‪NU‬‬

‫نشتیابی‪ ،‬شبکه عصبی مصنوعی پیشخور‪ ،‬دبی‪ ،EPANET2.0 ،‬شبکههای توزیع آب‪.‬‬

‫‪ -1‬مقدمه‬

‫با کمیاب شدن منابع آب شرب در بسیاری از نقاط جهان‪ ،‬به منظور مدیریت کارآمد این ماده حیاتی‪ ،‬توسعه روشهای مختلف اهمیت‬
‫‪SC‬‬

‫ویژهای یافته است‪ .‬همچنین با توجه به محدودیتهای موجود در منابع تأمین آب و هزینه باالی آن‪ ،‬میتوان با بهرهبرداری اصولی و علمی‬
‫از منابع آب موجود و جلوگیری از هدررفت آب‪ ،‬نیازها و کمبودهای آبی را به نحوه صحیحی مدیریت نمود‪ .‬کاهش میزان نشت در شبکههای‬
‫توزیع آب را میتوان یکی از اهداف عمده سازمانهای تأمین کننده آب شرب دانست‪ .‬نشت در شبکههای توزیع آب عالوه بر اتالف آب‪ ،‬باعث‬
‫کاهش کیفیت (به دلیل افزایش احتمال ورود آلودگی از طریق نشت)‪ ،‬افت فشار‪ ،‬اتالف انرژی و افزایش هزینههای مربوط به تصفیه‪ ،‬انتقال و‬
‫توزیع میشود‪ .‬بنابراین مدیریت شبکههای توزیع آب به منظور کاهش نشت میبایست به نحوی صورت گیرد که باالترین کیفیت آب به دست‬
‫‪RIP‬‬

‫مصرفکننده برسد [‪ .]1‬تاکنون روشهای مختلف تجربی و تحلیلی زیادی برای محاسبه مقدار نشت توسط پژوهشگران‪ ،‬توسعه داده شده‬
‫است‪ .‬یکی از روشهای معمول درشبکههای توزیع به منظور کاهش نشت‪ ،‬استفاده از روشهای مدیریت فشار است [‪ .]3 ,2‬از جمله روشهای‬

‫‪1‬‬
‫‪T‬‬
‫‪AC‬‬
‫کاربردی دیگر برای پیدا کردن محل نشت استفاده از سنسورهای صوتی بصورت ثابت و متحرک است [‪ .]4‬همچنین روشهای مدلسازی‬
‫تحلیل معکوس جریان گذرا در سالهای اخیر به منظور تشخیص نشت جایگاه ویژهای در نزد مهندسین پیدا کرده است [‪ .]5‬این روشها به‬
‫دلیل حل عددی مسئله به صورت گامهای زمانی متوالی در تمامیگره های محاسباتی‪ ،‬از منظر راندمان محاسباتی‪ ،‬پرهزینه و زمانبر است‪.‬‬
‫در حل چنین مسائل پرهزینه مهندسی‪ ،‬تجربه نشان داده که استفاده از تکنیکهای یادگیری ماشین به خصوص فرایند دادهکاوی توانسته‬
‫‪CE‬‬
‫سبب افزایش کارایی محاسباتی شود [‪ .]6‬روشهای عددی به منظور مدلسازی نشت در شبکههای توزیع آب ابزار مهم و کلیدی میباشند‬
‫[‪ .]7‬بررسی های اخیر در زمینه هوش محاسباتی‪ ،‬مانند محاسبات نرم‪ ،‬یادگیری ماشین و یا مدلسازی براساس داده خروجی‪ ،‬بسیاری از‬
‫مشکالت در زمینه مسائل مهندسی را حل کرده است [‪ .]8‬شبکههای عصبی مصنوعی‪ 1‬بطور گسترده در تمام زمینههای مهندسی و روشهای‬
‫مدلسازی بر اساس سیستمهای عصبی بیولوژیکی مورد استفاده قرار گرفتهاند‪ .‬این شبکهها‪ ،‬به دلیل توانایی تقریب توابع پیچیده‪ ،‬میتوانند‬
‫ارتباط بین ورودیها و خروجی های نظیر را تعیین نموده و با استفاده از قابلیت تعمیمدهی‪ ،‬در شرایطی که برای آنها معرفی نشده نیز‪،‬‬
‫‪PT‬‬
‫عملکرد مناسبی از خود نشان دهند [‪ .]9‬همچنین مطالعاتی در زمینه نشتیابی در شبکه های توزیع آب با استفاده از شبکه عصبی چند‬
‫الیهای پرسپترون انجام گرفته که توانسته میزان محاسبات را نسبت به روشهای متداول تا حدی کاهش دهد [‪.]10‬‬

‫در روش پیشنهادی واچال‪ 2‬و همکاران در سال ‪ ،]11[ 2015‬موقعیت نشت با استفاده از دستهبندی کنندههای فازی‪-‬عصبی تعیین شده‬
‫‪ED‬‬
‫است‪ .‬عطاری و فغفورمغربی در سال ‪ ،]12[ 2018‬با استفاده از شبکههای عصبی و آزمون و خطا‪ ،‬موقعیت و مقدار نشت در شبکههای توزیع‬
‫آب را با دریافت فشار گرهی تعیین نمودند‪ .‬کانگ‪ 3‬و همکاران در سال ‪ ،]13[ 2018‬روشی دقیق بر اساس ترکیب شبکه عصبی کانولوشن و‬
‫ماشین بردار پشتیبان‪ 4‬برای تعیین موقعیت نشت ارائه دادند‪ .‬کوئینونس‪-‬گروئو‪ 5‬و همکاران در سال ‪ ،]14[ 2018‬کاربرد دستهبندی کنندههای‬
‫با نظارت در تعیین موقعیت نشت در شبکه های توزیع آب را مورد بررسی قرار دادند‪ .‬در چارچوب تشخیص الگوی آنها‪ 4 ،‬ابزار دستهبندی‬
‫مورد استفاده قرا گرفته است‪ :‬نزدیکترین همسایگی‪ ،‬دستهبندیکننده بیز‪ ،‬شبکههای عصبی مصنوعی و ماشینهای بردار پشتیبان‪ .‬برخی‬
‫دیگر از محققین نیز با استفاده از ترکیب شبکه های عصبی مصنوعی و تئوری گراف نیز به تعیین موقعیت نشت در شبکههای توزیع آب‬
‫‪MA‬‬

‫پرداختند [‪ .]16 ,15‬روشهای فوقالذکر مبتنی بر شبکههای عصبی‪ ،‬قادر به شناسایی نشتهای کوچک نمیباشند زیرا به دادههای آموزش‬
‫گستردهای نیاز دارند‪ .‬این مسئله منجر به افزایش زمان آموزش و پیچیدگی روند آموزش میشود‪ .‬همچنین دادههای نادرست و ناکافی در‬
‫مرحله آموزش شبکههای عصبی منجر به نتایج نادرست میشود [‪ .]17‬فالحی و همکاران در سال ‪ ]18[ 2020‬به تعیین محل نشت در ‪24‬‬
‫ساعت شبانهروز با استفاده از شبکههای عصبی پیشخور‪ 6‬در شبکههای توزیع آب پرداختند‪ .‬شبکههای عصبی پیشنهادی آنها‪ ،‬قادر به‬
‫شناسایی نشتهای کوچک در تمامی ساعات شبانهروز نیز میباشد‪.‬‬
‫‪NU‬‬

‫در پژوهش حاضر روشی جدید برای تعیین موقعیت دو نشت همزمان در شبکههای توزیع آب با استفاده از شبکههای عصبی پیشخور ارائه‬
‫شده است‪ .‬اکثر روشهای تشخیص موقعیت نشت در شبکههای توزیع آب بر اساس فشار گرهی میباشند که مقاله حاضر از دبیسنجی و‬
‫بررسی مقدار و جهت دبیهای گذرنده از لولهها برای یافتن موقعیت نشت استفاده می کند که کمتر مورد بررسی قرار گرفته است‪ .‬حساسیت‬
‫دبی در شرایط وجود نشت و تغییرات آن نسبت به حالت عدم وجود نشت زیاد است در حالی که تغییرات فشار در گرهها در شرایط وجود‬
‫‪SC‬‬

‫نشت کم است‪ .‬همچنین با لحاظ کردن توزیع غیریکنواخت نشت عالوه بر توزیع یکنواخت‪ ،‬شبکههای عصبی ارائه شده قادر به تشخیص‬
‫موقعیت نشتهای کوچک تا بزرگ میباشند‪ .‬در برخی از تحقیقات گذشته نیز از شبکههای عصبی ‪( MLP‬و عمدتا مبتنی بر فشارسنجی)‬
‫برای نشتیابی استفاده شده است که در آنها تعداد گره های پایش بطور تصادفی و دلخواه در نظر گرفته شده است‪ ،‬اما در پژوهش حاضر‪،‬‬

‫‪1‬‬
‫)‪Artificial Neural Network (ANN‬‬
‫‪RIP‬‬

‫‪2‬‬
‫‪Wachla‬‬
‫‪3‬‬
‫‪Kang‬‬
‫‪4‬‬
‫‪CNN-SVM‬‬
‫‪5‬‬
‫‪Quinones-Grueiro‬‬
‫‪6‬‬
‫‪Feedforward Neural Network‬‬

‫‪2‬‬
‫‪T‬‬
‫‪AC‬‬
‫برای اولین بار‪ ،‬شبکههای عصبی مصنوعی ترکیبی‪ 1‬و مبتنی بر اطالعات دبیسنجی برای تشخیص موقیعت نشتها ارائه شده است و با این‬
‫رویکرد‪ ،‬تعداد حداقل لولههای الزم برای نصب دبیسنج بر روی آنها تعیین شده است‪ .‬به منظور شبیهسازی هیدرولیکی شبکه‪ ،‬با نوشتن‬
‫کدهایی در ‪ ،MATLAB‬برنامه ارتباطی بین‪ EPANET2.0‬و ‪ MATLAB‬ایجاد شده است تا بتوان با تکرار باال و زمان بهینه که قابل انجام‬
‫برای کامپیوترهای مرسوم است‪ ،‬برنامه را اجرا نموده و به نتایج مطلوبتری رسید‪ .‬به منظور آموزش شبکههای عصبی‪ ،‬دو سناریو پیشنهاد‬
‫‪CE‬‬
‫شده است‪ .‬در سناریو اول دو نشت همزمان با مقدار برابر و در سناریو دوم دو نشت همزمان با مقدار نابرابر به هر دو گره شبکه اعمال میشود‪.‬‬
‫در هر یک از دو سناریو‪ ،‬ابتدا شبکههای عصبی با فرض داشتن دبی کل لولهها آموزش میبینند‪ .‬از آنجایی که تعیین موقعیت نشت با اطالعات‬
‫حداقل تعداد لوله‪ ،‬برای استفاده روشهای پیشنهادی در شبکههای توزیع آب ضروری است‪ ،‬در این پژوهش شبکههای عصبی مصنوعی‬
‫ترکیبی به ازای دبی درصدهای مختلف لولهها ‪ ،‬با استفاده از تحلیل حساسیت برای پیدا کردن تعداد لوله بهینه معرفی شده است‪ .‬نتایج قابلیت‬
‫باالی روش پیشنهادی را نشان میدهد‪.‬‬
‫‪PT‬‬
‫‪ -2‬شبکه مورد مطالعه‬

‫شبکه توزیع آب مورد مطالعه در این مطالعه‪ ،‬شبکه معروف پوالکیس میباشد که اولین بار در سال ‪ 2003‬معرفی شد (شکل‪ .)1‬این شبکه‬
‫‪ED‬‬
‫شامل ‪ 50‬لوله‪ 30 ،‬گره‪ 20 ،‬حلقه و یک مخزن میباشد‪ .‬شبکه تماما حلقوی بوده و از نظر تحلیل هیدرولیکی به مراتب مشکلتر از شبکههای‬
‫شاخهای است‪ .‬طول لولههای عمودی و افقی به ترتیب برابر ‪ 2000‬و ‪ 1000‬متر‪ ،‬ارتفاع مخزن ‪ 52‬متر‪ ،‬محدوده قطر لولهها بین ‪ 300‬تا ‪600‬‬
‫میلی متر میباشد‪ .‬ضریب زبری کلیه لولهها برابر ‪ 0/26‬میلیمتر و میزان تقاضای آب در گرهها مقدار متوسط ‪ 20‬لیتر برثانیه فرض شده است‬
‫[‪.]19‬‬
‫‪MA‬‬
‫‪NU‬‬
‫‪SC‬‬
‫‪RIP‬‬

‫‪1‬‬
‫‪Hybrid ANNs‬‬

‫‪3‬‬
‫‪T‬‬
‫‪AC‬‬
‫‪CE‬‬
‫‪PT‬‬
‫‪ED‬‬
‫‪MA‬‬

‫شکل ‪ :1‬شبکه مورد مطالعه [‪]19‬‬

‫‪ -3‬مواد و روش ها‬

‫‪NU‬‬

‫‪ -1-3‬تعریف شبکه عصبی مصنوعی‬

‫شبکههای عصبی به عنوان یک ابزار کاربردی برای تخمین و پیشبینی پاسخ در سیستم های غیرخطی و چند متغیره مورد استفاده قرار‬
‫میگیرند‪ .‬یک شبکه عصبی مجموعهای از نورونهاست که با قرار گرفتن در الیههای مختلف‪ ،‬معماری خاصی را بر مبنای ارتباطات بین‬
‫نورونها در الیههای مختلف تشکیل میدهند‪ .‬نورون میتواند یک تابع ریاضی غیرخطی باشد‪ ،‬در نتیجه یک شبکه عصبی که از اجتماع این‬
‫‪SC‬‬

‫نورونها تشکیل میشود‪ ،‬نیز میتواند یک سامانه کامالً پیچیده و غیرخطی باشد [‪ .]20‬یک شبکه عصبی مصنوعی‪ ،‬از سه بخش الیه‬
‫‪RIP‬‬

‫‪4‬‬
‫‪T‬‬
‫‪AC‬‬
‫ورودی‪،1‬خروجی‪ 2‬و الیههای پنهان‪ 3‬تشکیل میشود‪ .‬هر الیه شامل گروهی از سلولهای عصبی(نورون) است که با نورونهای الیههای دیگر‬
‫در ارتباط هستند‪ .‬از منظر ریاضی عملکرد شبکههای عصبی با استفاده از توابع محرک‪ ،4‬ضرایب وزنی‪ 5‬و بایاسها‪ 6‬شبیهسازی میشود [‪.]21‬‬

‫در این پژوهش جهت دستیابی به موقعیت نشت‪ ،‬از شبکه عصبی پیشخور استفاده شده است‪ .‬شبکه عصبی پیشخور یک شبکه عصبی‬
‫مصنوعی است که در آن اتصال میان واحدهای تشکیلدهنده آن یک چرخه را تشکیل نمیدهند‪ .‬شبکه عصبی پیشخور اولین و سادهترین‬
‫‪CE‬‬
‫نوع شبکه عصبی مصنوعی می باشد‪ .‬در این شبکه اطالعات تنها از یک مسیر حرکت میکند که جهت آن رو به جلو میباشد‪ .‬در واقع اطالعات‬
‫با شروع از گره (نورون)های ورودی و گذر از الیههای پنهان (درصورت وجود) به سمت گرههای خروجی میروند‪ .‬شکل ‪ 2‬معماری یک شبکه‬
‫عصبی پیشخ ور با یک الیه ورودی‪ ،‬یک الیه میانی و یک الیه خروجی را نشان میدهد‪ .‬الیه میانی ساختار اصلی شبکه عصبی را تعیین‬
‫میکند و اثر مهمی بر روند آموزش شبکه عصبی و عملکرد کلی شبکه دارد‪ .‬تعداد نورونهای الیه میانی میتواند با حداقل کردن تابع خطای‬
‫‪PT‬‬
‫از پیش تعیین شده روی دادههای آموزش بوسیله آزمون و خطا تعیین شود‪ .‬رابطه (‪ )1‬خروجی حاصل از شبکه عصبی مصنوعی با یک‬
‫ورودی‪ ،‬یک الیه میانی و یک خروجی را نشان میدهد [‪:]22‬‬
‫‪m‬‬
‫(‪)1‬‬
‫) ‪ys   ( w rs x rs   s‬‬
‫‪r 1‬‬
‫‪ED‬‬

‫در رابطه فوق ‪ ys‬خروجی شبکه عصبی‪ xrs ،‬ورودی ‪ r‬ام به ازای نورون ‪ m ،s‬تعداد ورودیها‪ wrs ،‬ضریب وزنی ورودی ‪ r‬ام‪ θs ،‬بایاس‬
‫نورون و ‪ ϕ‬تابع محرک بصورت تابع تانژانت هیپربولیک یا تابع سیگموید است‪.‬‬
‫‪MA‬‬
‫‪NU‬‬

‫شکل ‪ :2‬معماری شبکه عصبی مصنوعی [‪]22‬‬

‫‪SC‬‬

‫‪1‬‬
‫‪Input layer‬‬
‫‪2‬‬
‫‪RIP‬‬

‫‪Output layer‬‬
‫‪3‬‬
‫‪Hidden layer‬‬
‫‪4‬‬
‫‪Activation Function‬‬
‫‪5‬‬
‫‪Connection weight‬‬
‫‪6‬‬
‫‪Biases‬‬

‫‪5‬‬
‫‪T‬‬
‫‪AC‬‬
‫پس از تعیین معماری ‪ ، ANN‬پارامترهایی‪ ،‬شامل ضرایب وزنی ‪ wrs‬و بایاس نورونها ‪ θs‬به منظور به حداقل رساندن اختالف بین متغیر‬
‫خروجی شبکه و متغیرهای خروجی واقعی در دادههای آموزش‪ ،‬میبایست تنظیم شوند‪ .‬این اختالف بر اساس شاخص ‪ 1 RMSE‬به شکل زیر‬
‫قابل محاسبه است‪:‬‬

‫(‪)2‬‬
‫‪CE‬‬
‫‪M‬‬

‫‪ y s o r‬‬
‫‪2‬‬
‫‪1‬‬
‫‪min RMSE ‬‬
‫‪M‬‬ ‫‪r 1‬‬

‫که ‪ M‬تعداد نمونهها‪ (xr,yr) ،‬جفت ورودی‪-‬خروجی برای نمونه ‪ r‬ام و ‪ or‬خروجی واقعی برای ورودی ‪ xr‬میباشند‪ .‬بهینهسازی پارامترهای‬
‫‪PT‬‬
‫‪ ANN‬معموال در یک فضای جستجو با ابعاد باال انجام میشود‪ .‬به طور معمول‪ ،‬مقادیر وزنها و بایاسها به محدوده (‪1‬و‪ )0‬یا (‪1‬و‪ )-1‬محدود‬
‫میشود‪.‬‬

‫در شبکههای عصبی‪ RMSE ،‬یکی از شاخصهای تعیین عملکرد شبکه برای تعیین وزنها و بایاسها میباشد‪ .‬شاخص ‪ RMSE‬گاهی‬
‫اوقات مقدار قابل قبول با همگرایی خوبی را نشان میدهد اما لزوماً نیاز مسئله تامین نمیشود‪ .‬در واقع شاخص ‪ RMSE‬متوسط رفتار شبکه‬
‫‪ED‬‬
‫را نشان میدهد‪ ،‬در حالی که ممکن است در این بین خطاهای باال برای تعدادی نقاط وجود داشته باشد‪ .‬اگر نیاز باشد که تمامی دادهها حتی‬
‫بدترین داده (با خطای باال) نیز رفتار خوبی از خود نشان دهد‪ ،‬استفاده از شاخص ‪ RMSE‬دیگر گزینه مناسبی نخواهد بود‪ .‬لذا برای حل این‬
‫مشکل‪ ،‬در مطالعه حاضر شاخص خطای نسبی نشت (‪ )RLE‬تعریف شده است که در بخشهای بعدی ارائه خواهد شد‪.‬‬

‫‪ -2-3‬نحوه آموزش شبکه عصبی پیشنهادی‬

‫‪MA‬‬

‫در شبکه عصبی پیشخور پیشنهادی‪ ،‬ابتدا شبکه با استفاده از دادههای متغیرهای ورودی و خروجی از پیش تعیینشده (آموزش با ناظر‪)2‬‬
‫آموزش میبیند‪ .‬به منظور تولید دادههای آموزش شبکه عصبی مصنوعی از مدل هیدرولیکی ‪ EPANET2.0‬برای تولید تعداد زیادی سناریوی‬
‫تصادفی استفاده شده است‪ .‬برای این منظور‪ ،‬ابتدا دو نشت فرضی با آرایشهای مختلف و مدنظر بر روی گرههای شبکه (متغیرهای خروجی‬
‫دادههای آموزش شبکه عصبی) قرار داده شده و سپس دبی لولهها به عنوان متغیرهای ورودی دادههای آموزش شبکه عصبی محاسبه میشود‪.‬‬
‫‪NU‬‬

‫سپس با داشتن متغیرهای ورودی (دبی لولهها) و متغیرهای خروجی (موقعیت و مقدار نشتهای فرضی) شبکه عصبی آموزش میبیند‪.‬‬
‫توضیحات فوق را میتوان در دو مرحله در شکل‪ 3‬نشان داد‪ .‬همانطور که مالحظه میشود‪ ،‬متغیرهای ‪ QP50 ،... ،QP2 ،QP1‬مقدار دبی در‬
‫لولههای ‪ 50 ،...،3 ،2 ،1‬و‪ ... ،x22 ،x21 ،x12 ،x11‬موقعیت و مقدار دو نشت را نشان میدهند‪.‬‬

‫کلیه برنامههای شبکه عصبی در محیط برنامه نویسی ‪ MATLAB‬کدگذاری شده است‪ .‬به منظور ایجاد دادههای آموزش‪ ،‬نرمافزار‬
‫‪ EPANET2.0‬میبایست به تعداد دفعات زیاد اجرا شود‪ .‬بنابراین برای کاهش زمان ایجاد دادههای آموزش‪ ،‬کدهایی به منظور ایجاد ارتباط‬
‫‪SC‬‬

‫بین ‪ EPANET2.0‬و‪ MATLAB‬برای شبیهسازی دبی لولهها نوشته شده است‪ .‬بدین ترتیب که بر اساس کتابچه راهنمای‬
‫کاربر‪ ]23[ 3 EPANET2.0‬کدهایی در متلب بر اساس ساختار شبکه مورد مطالعه ایجاد گردید تا براساس آن با وارد کردن نشتهای فرضی‬
‫به برنامه تهیه شده بتوان مقدار دبی لولهها را با سرعت بسیار باال بدست آورد‪ .‬با توجه به آنکه نرمافزار ‪ EPANET2.0‬میتواند یک فایل‬
‫متنی را دریافت و سپس خروجی موردنظر را در فایل متنی دیگر قرار دهد‪ ،‬برنامهای در ‪ MATLAB‬نوشته شد که بر اساس سناریوی نشت‪،‬‬
‫‪RIP‬‬

‫‪1‬‬
‫‪Root Mean Squared Error‬‬
‫‪2‬‬
‫‪Supervised Training‬‬
‫‪3‬‬
‫‪EPANET2.0 User Manual‬‬

‫‪6‬‬
‫‪T‬‬
‫‪AC‬‬
‫فایل متنی ورودی را تهیه میکند و سپس ‪ EPANET2.0‬را با آن فایل متنی فراخوانی مینماید‪ .‬پس از اتمام محاسبات ‪ EPANET2.0‬و‬
‫نوشته شدن فایل خروجی بر روی هارد دیسک‪ ،‬برنامه نوشته شده در ‪ ، MATLAB‬آن فایل را بصورت خودکار باز کرده و دادههای مورد‬
‫نظر (دبی لولهها) را از فایل میخواند‪ .‬با استفاده از یک حلقه این چرخه به دفعات مورد نیاز اجرا میگردد‪.‬‬
‫‪CE‬‬
‫مرحله اول‬

‫موقعیت و مقدار دو‬ ‫ورودی‬ ‫خروجی‬

‫دبی لولهها‬
‫‪EPANET2.0‬‬
‫نشت فرضی‬
‫‪PT‬‬
‫موقعیت‬ ‫مقدار‬ ‫موقعیت‬ ‫مقدار‬ ‫‪QP1‬‬ ‫‪QP2‬‬ ‫‪...‬‬ ‫‪QP50‬‬
‫نشت ‪1‬‬ ‫نشت ‪1‬‬ ‫نشت ‪2‬‬ ‫نشت ‪2‬‬ ‫‪110‬‬ ‫‪25‬‬ ‫‪.‬‬ ‫‪56‬‬
‫‪1‬‬ ‫‪3‬‬ ‫‪1‬‬ ‫‪0/6‬‬ ‫‪80‬‬ ‫‪65‬‬ ‫‪.‬‬ ‫‪582‬‬
‫‪2‬‬ ‫‪2/4‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪96‬‬ ‫‪98‬‬ ‫‪.‬‬ ‫‪960‬‬
‫‪3‬‬ ‫‪5/4‬‬ ‫‪3‬‬ ‫‪4/8‬‬ ‫‪750‬‬ ‫‪650‬‬ ‫‪.‬‬ ‫‪78‬‬
‫‪ED‬‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫‪30‬‬ ‫‪1/8‬‬ ‫‪30‬‬ ‫‪2/3‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫‪MA‬‬

‫مرحله دوم‬

‫متغیرهای خروجی آموزش‬ ‫شبکه عصبی‬ ‫متغیرهای ورودی آموزش‬

‫مصنوعی‬ ‫}‪{QP1, QP2,..,QP50‬‬
‫} …‪{ x11, x12, x21, x22,‬‬
‫‪NU‬‬

‫شکل ‪ :3‬مراحل آمادهسازی دادههای آموزش‬

‫‪SC‬‬

‫به منظور ایجاد شبکه عصبی پیشخور پیشنهادی‪ ،‬از یک شبکه عصبی پرسپترون چند الیه (‪ 1)MLP‬در جعبه ابزار متلب به منظور برازش‬
‫تابع استفاده شده است‪ .‬برازش تابع‪ ،‬یک فرآیند آموزش شبکه عصبی روی دادههای ورودی برای ایجاد دادههای خروجی مرتبط میباشد‪.‬‬
‫فاکتورهای مهم در شبکه عصبی پبشنهادی‪ ،‬تعداد نورونهای الیههای پنهان و الگوریتم آموزش میباشد‪ .‬در این تحقیق الگوریتم آموزش‬
‫‪RIP‬‬

‫‪1‬‬
‫‪Multi-Layer perceptron‬‬

‫‪7‬‬
‫‪T‬‬
‫‪AC‬‬
‫ترینلیم‪ 1‬برای بروزسازی وزنها و بایاسها براساس بهینهیابی لونبرگ‪ -‬مارکوارت‪ 2‬استفاده شده است‪ .‬الگوریتم لونبرگ – مارکوات روشی‬
‫است برای یافتن کمینه یک تابع غیرخطی چند متغیره که به عنوان یک روش استاندارد برای حل مسئله کمینه مربعات برای توابع خطی‬
‫معرفی میشود‪ .‬ترینلیم‪ ،‬در اغلب موارد سریعترین الگوریتم پس انتشار‪ 3‬در جعبه ابزار شبکه عصبی در متلب میباشد و معموال برای اولین‬
‫انتخاب الگوریم با ناظر پیشنهاد میشود‪ ،‬اما نسبت به سایر الگوریتم ها حافظه بیشتری نیاز دارد [‪ .]21‬همچنین در شبکه عصبی پیشنهادی‬
‫‪CE‬‬
‫نیز توابع محرک تانژانت سیگموئید‪ 4‬و خطی‪ 5‬به عنوان توابع محرک به ترتیب در الیه پنهان و الیه خروجی استفاده شده است‪ .‬تابع تانژانت‬
‫سیگموئید تابعی در محدوده (‪1‬و‪ )-1‬میباشد‪.‬‬

‫‪ -3-3‬نحوه توزیع و تعیین مقدار نشت بین هر یک از دو گره انتخابی‬

‫‪PT‬‬
‫‪ -1-3-3‬سناریو اول‪ :‬تعیین موقعیت دو نشت همزمان با مقدار برابر‬

‫در مطالعه حاضر‪ ،‬موقعیت نشت در شبکه های توزیع آب با استفاده از شبکه عصبی مصنوعی تعیین شده است که به محاسبه دو نشت‬
‫در شبکه میپردازد‪ .‬جهت محاسبه دبی لولهها از نرم افزار ‪ EPANET2.0‬استفاده شده است‪ .‬به منظور تحلیل شبکه (محاسبه دبی لولهها)‪،‬‬
‫‪ED‬‬
‫با اعمال دو نشت فرضی به گرههای شبکه‪ ،‬نرم افزار ‪ EPANET2.0‬دبی لوله ها که متغیرهای ورودی آموزش شبکه عصبی میباشد را‬
‫محاسبه میکند‪ .‬بنابراین با داشتن متغیرهای ورودی (دبی لولهها) و متغیرهای خروجی (موقعیت و مقدار نشتهای فرضی) شبکه عصبی‬
‫آموزش میبیند‪ .‬پس از آموزش شبکه با اعمال دبی لولهها به شبکه عصبی آموزش دیده میتوان‪ ،‬موقعیت نشت را تعیین نمود‪.‬‬

‫از آنجایی که درآموزش شبکه عصبی‪ ،‬تعداد داده های آموزش تاثیر زیادی بر عملکرد مدل دارد‪ ،‬در این پژوهش برای ایجاد دادههای‬
‫آموزش کافی‪ ،‬نشت های فرضی بر اساس درصدی از کل دبی ورودی به شبکه در نظر گرفته شده است‪ .‬با توجه به اینکه میزان تقاضای آب‬
‫‪MA‬‬

‫در گرهها مقدار متوسطی برابر ‪ 20‬لیتر برثانیه فرض شده است‪ ،‬کل دبی ورودی به شبکه برابر ‪ 600‬لیتر بر ثانیه میباشد‪ .‬بنابراین به کل‬
‫شبکه مقدار نشت بیشینهای برابر با ‪ 1%‬کل دبی ورودی به شبکه یعنی مقدار ‪ 6‬لیتر بر ثانیه اختصاص داده شده است‪ .‬با توجه به در نظر‬
‫گرفتن دو نشت فرضی‪ ،‬میبایست مقدار ‪ 6‬لیتر بر ثانیه را در حالتهای مختلف بین هر دو گره به نحوی تقسیم نمود و بر اساس آن شبکه را‬
‫آموزش داد‪ .‬به همین دلیل آرایشهای مختلفی از قرار دادن دو نشت فرضی یکسان با مجموع برابر ‪ 6‬لیتر بر ثانیه به وجود خواهد آمد‪ .‬اولین‬
‫سناریو‪ ،‬اختصاص دادن نشتی برابر ‪ 50%‬نشت بیشینه به هر یک از دو گره انتخابی میباشد‪ .‬یعنی در سناریوی اول نشتی به میزان ‪ 3‬لیتر بر‬
‫‪NU‬‬

‫ثانیه به هر دو گره انتخابی شبکه اضافه خواهد شد‪ .‬ماتریس حاصله که ورودی ‪ EPANET2.0‬برای تعیین دبی لولهها میباشد‪ ،‬ماتریسی‬
‫‪ 30×435‬خواهد بود که " ماتریس نشت" نامیده شده و در جدول ‪ 1‬نشان داده شده است‪.‬‬
‫‪SC‬‬

‫‪1‬‬
‫‪RIP‬‬

‫‪Trainlm‬‬
‫‪2‬‬
‫‪Levenberg-Marquardt‬‬
‫‪3‬‬
‫)‪Back Propagation (BP‬‬
‫‪4‬‬
‫‪Tansig‬‬
‫‪5‬‬
‫‪Purelin‬‬

‫‪8‬‬
‫‪T‬‬
‫‪AC‬‬
‫جدول ‪ :1‬ماتریس نشت (‪)30×435‬‬

‫‪435‬‬ ‫‪.........................‬‬ ‫‪135‬‬ ‫‪...‬‬ ‫‪113‬‬ ‫‪112‬‬ ‫‪111‬‬ ‫‪.........................‬‬ ‫‪29‬‬ ‫‪...‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫شماره حالت‬

‫‪29‬و‪30‬‬ ‫‪...................‬‬ ‫‪5‬و‪30‬‬ ‫‪....‬‬ ‫‪5‬و‪8‬‬ ‫‪5‬و‪7‬‬ ‫‪5‬و‪6‬‬ ‫‪....................‬‬ ‫‪1‬و‪30‬‬ ‫‪...‬‬ ‫‪1‬و‪4‬‬ ‫‪1‬و‪3‬‬ ‫‪1‬و‪2‬‬ ‫گرههای نشتدار‬
‫‪CE‬‬
‫شماره گره‬
‫‪20‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪23‬‬ ‫‪23‬‬ ‫‪23‬‬ ‫‪23‬‬ ‫‪1‬‬

‫‪20‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪23‬‬ ‫‪2‬‬

‫‪20‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪23‬‬ ‫‪20‬‬ ‫‪3‬‬
‫‪PT‬‬
‫‪20‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪23‬‬ ‫‪20‬‬ ‫‪.‬‬ ‫‪4‬‬

‫‪.‬‬ ‫‪23‬‬ ‫‪23‬‬ ‫‪23‬‬ ‫‪23‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪5‬‬

‫‪.‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪23‬‬ ‫‪20‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪6‬‬
‫‪ED‬‬
‫‪.‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪23‬‬ ‫‪20‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪7‬‬

‫‪.‬‬ ‫‪20‬‬ ‫‪23‬‬ ‫‪20‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪8‬‬

‫‪.‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬

‫‪.‬‬ ‫‪20‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫‪MA‬‬

‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬

‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬

‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬

‫‪23‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫‪NU‬‬

‫‪23‬‬ ‫‪23‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪23‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪30‬‬
‫‪SC‬‬

‫در جدول‪ ،1‬سطرها تعداد گرههای موجود در شبکه و ستونها موقعیت گرههای نشتدار را نشان میدهد‪ .‬با وارد کردن ماتریس نشت‬
‫(‪ )30×435‬به نرمافزار ‪ ،EPANET2.0‬مقادیر دبی لولهها در هر حالت محاسبه شده و یک ماتریس (‪ )50×435‬بدست میآید‪ .‬در این‬
‫ماتریس‪ ،‬سطرها معرف دبی لولهها و ستونها معرف موقعیت گرههای نشت هستند‪ .‬ماتریس (‪ )50×435‬که "ماتریس دبی لولهها " نامیده‬
‫میشود به عنوان متغیر ورودی آموزش به شبکه عصبی وارد میشود‪ .‬با داشتن متغیر ورودی (ماتریس دبی لولهها) و متغیرخروجی (ماتریس‬
‫نشت) میتوان به آموزش شبکه عصبی پرداخت‪ .‬تمامیتوضیحات فوق در روندنمای شکل ‪ 4‬نشان داده شده است‪ .‬خروجی روندنما‪ ،‬شبکه‬
‫‪RIP‬‬

‫عصبی آموزش دیده میباشد‪ .‬حال میتوان با وارد کردن دبی لوله ها به شبکه عصبی آموزش دیده به تعیین موقعیت نشت در شبکه پرداخت‪.‬‬

‫‪9‬‬
‫‪T‬‬
‫‪AC‬‬
‫برآوردگر دو نشت شبکه توزیع آب‬
‫‪CE‬‬
‫پارامترهای اصلی‪:‬‬
‫مجموع دو نشت فرضی‪ 6 :‬لیتر بر ثانیه‬

‫متوسط مصرف روزانه گرهی‪ 20 :‬لیتر بر ثانیه‬

‫‪PT‬‬
‫قرار دادن نشت فرضی ‪ 3‬لیتر بر‬
‫ثانیه بر هر دو گره انتخابی‬
‫‪ED‬‬
‫ماتریس نشت‬
‫(‪)30×435‬‬

‫‪EPANET2.0‬‬
‫‪MA‬‬

‫ماتریس دبی لولهها‬

‫(‪)50×435‬‬
‫‪NU‬‬

‫شبکه عصبی مصنوعی پیشخور‬

‫شبکه عصبی آموزش دیده‬

‫‪SC‬‬

‫شکل ‪ :4‬روندنمای پیشنهادی محاسبه نشت‬

‫‪ -3-3-2‬سناریو دوم‪ :‬تعیین موقعیت دو نشت همزمان با مقدار نابرابر‬

‫‪RIP‬‬

‫در بخش ‪ 1-3-3‬مقدار نشت بیشینه برابر ‪ 1%‬کل دبی ورودی به شبکه یعنی مقداری برابر‪ 6‬لیتر بر ثانیه فرض شد‪ .‬این نشت بیشینه‬
‫بصورت برابر و یکنواخت بین هر یک از دو گره انتخابی در ماتریس نشت تقسیم شد‪ ،‬به طوری که به هریک از دو گره‪ 50% ،‬نشت بیشینه‬

‫‪10‬‬
‫‪T‬‬
‫‪AC‬‬
‫یعنی ‪ 3‬لیتر بر ثانیه اختصاص داده شد‪ .‬هدف اصلی در این بخش‪ ،‬توزیع غیریکنواخت نشت بین هر دو گره انتخابی میباشد‪ .‬نحوه انجام این‬
‫توزیع غیریکنواخت در جدول ‪ 2‬نشان داده شده است‪ .‬همانطور که در جدول ‪ 2‬دیده میشود‪ 4 ،‬گروه نشت در سطر اول تعریف شده است‪.‬‬
‫برای گروه نشت اول در حالت‪ ،1‬به گره اول ‪ 60%‬نشت بیشینه یعنی ‪ 3/6‬لیتر بر ثانیه و به گره دوم ‪ 40%‬نشت بیشینه یعنی ‪ 2/4‬لیتر بر ثانیه‬
‫اختصاص داده شده است‪ .‬این توزیع منجر به تولید یک ماتریس نشت (‪ )30×435‬میشود‪ .‬از آنجایی که نشت قرار داده شده در گرهها برابر‬
‫‪CE‬‬
‫نیست‪ ،‬موقعیت قرارگیری دو نشت ‪ 3/6‬لیتر بر ثانیه و ‪ 2/4‬لیتر بر ثانیه مهم میباشد‪ .‬بنابراین در حالت ‪ ،2‬به گره اول ‪ 40%‬نشت بیشینه‬
‫یعنی ‪ 2/4‬لیتر بر ثانیه و به گره دوم ‪ 60%‬نشت بیشینه یعنی ‪ 3/6‬لیتر بر ثانیه اختصاص داده میشود و در نهایت ماتریس نشت دیگری‬
‫(‪ )30×435‬ایجاد می گردد‪ .‬با قرار دادن این دو ماتریس کنار یکدیگر ماتریس نشت (‪ )30×870‬تحت عنوان "ماتریس نشت ‪ "60 -40‬معرفی‬
‫میگردد که به ازای دبی نشت ‪ 40%‬و ‪ 60%‬نشت بیشینه ایجاد شده است‪ .‬این روند برای سایر گروههای نشت تکرار میشود‪ .‬در نهایت برای‬
‫هر یک از ‪ 8‬حالت یک ماتریس نشت (‪ )30×435‬و در نهایت ‪ 4‬ماتریس نشت (‪ )30×870‬برای هر یک از گروههای نشت بدست میآید که‬
‫‪PT‬‬
‫در جدول ‪ 2‬نشان داده شده است‪ .‬ماتریسهای نشت بدست آمده‪ ،‬ورودی ‪ EPANET2.0‬برای تعیین دبی لولهها میباشند‪.‬‬

‫جدول ‪ :2‬توزیع نشت نسبت به نشت بیشینه در هر دو گره انتخابی‬

‫‪ED‬‬
‫چهارم‬ ‫سوم‬ ‫دوم‬ ‫اول‬ ‫گروه نشت‬

‫‪8‬‬ ‫‪7‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫حالت‬

‫‪%10‬‬ ‫‪%90‬‬ ‫‪%20‬‬ ‫‪%80‬‬ ‫‪%30‬‬ ‫‪%70‬‬ ‫‪%40‬‬ ‫‪%60‬‬ ‫گره اول‬

‫‪%90‬‬ ‫‪%10‬‬ ‫‪%80‬‬ ‫‪%20‬‬ ‫‪%70‬‬ ‫‪%30‬‬ ‫‪%60‬‬ ‫‪%40‬‬ ‫گره دوم‬
‫‪MA‬‬

‫‪10-90‬‬ ‫‪20-80‬‬ ‫‪30-70‬‬ ‫‪40-60‬‬ ‫ماتریس نشت (‪)30×870‬‬

‫با استفاده از جدول ‪ ،2‬با وارد کردن هر یک از ‪ 4‬ماتریس نشت (‪ )30×870‬به نرم افزار ‪ EPANET2.0‬که در محیط ‪ MATLAB‬نوشته‬
‫شده است‪ ،‬مقادیر دبی لولهها محاسبه شده و ماتریسی تحت عنوان "ماتریس دبی لوله (‪ ")50×870‬برای هر یک از ‪ 4‬گروه نشت بدست‬
‫‪NU‬‬

‫میآید‪ .‬در ماتریسهای دبی لولهها ‪ ،‬سطرها معرف دبی لولهها و ستونها معرف اینکه دو نشت نابرابر بر روی کدام دو گره قرار گرفته اند‪،‬‬
‫میباشد‪ .‬ماتریس دبی لولهها به عنوان متغیر ورودی آموزش به شبکه عصبی داده میشود‪ .‬با داشتن متغیر ورودی (ماتریس دبی لولهها) و‬
‫متغیرخروجی (ماتریس نشت ) میتوان همانند بخش ‪ 1-3-3‬به آموزش شبکه عصبی پرداخت‪.‬‬
‫‪SC‬‬

‫‪ -4‬نتایج و بحث‬

‫به منظور تشخیص موقعیت دو نشت همزمان با استفاده از شبکههای عصبی پیش خور‪ ،‬دو سناریو در نظر گرفته شد‪ .‬در سناریو اول دو‬
‫نشت همزمان با مقدار برابر و در سناریوی دوم دو نشت همزمان با مقدار نابرابر با آرایشهای مختلف در هر دو گره انتخابی در شبکه قرار‬
‫داده میشود‪ .‬در نهایت با توجه به سناریوهای تعریف شده‪ ،‬شبکههای عصبی آموزش دیده برای تعیین موقعیت نشت بهکار گرفته میشود‪.‬‬
‫‪RIP‬‬

‫در پژوهش حاضر‪ ،‬به منظور بررسی رفتار شبکه‪ ،‬عالوه بر شاخص ‪ ،RMSE‬از شاخصی تحت عنوان خطای نسبی نشت (‪ )RLE‬به منظور‬
‫تعیین موقعیت نشت هر گره استفاده شده است‪ .‬این شاخص (‪ )RLE‬را بصورت رابطه (‪ )3‬میتوان معرفی نمود‪:‬‬

‫‪11‬‬
‫‪T‬‬
‫‪AC‬‬
‫‪CLD ANN i  HLD i‬‬ ‫(‪)3‬‬
‫‪RLE i(%) ‬‬ ‫‪ 100‬‬
‫‪HLDi‬‬
‫‪CE‬‬
‫که در رابطه فوق ‪ RLE‬خطای نسبی نشت‪ CLDANN ،‬مجموع مصرف گرهی و دبی نشت محاسبه شده توسط شبکه عصبی‪HLD ،‬‬
‫مجموع مصرف گرهی و دبی نشت فرضی و ‪ i‬تعداد گرهها (‪ )i=1,2,3,…,30‬هستند‪.‬‬

‫بنابراین با استفاده از رابطه (‪ )3‬مقدار ‪ RLE‬در کلیه گرهها را در هر سناریو بصورت جداگانه میتوان محاسبه نمود‪ .‬این امر منجر به ایجاد‬
‫ماتریسهایی تحت عنوان "ماتریسهای خطای نسبی نشت" میگردد‪ .‬در سناریو اول ماتریس خطای نسبی نشت به ابعاد (‪ )30×435‬و در‬
‫‪PT‬‬
‫سناریو دوم برای هریک از گروههای نشت ذکر شده در جدول‪ ،2‬یک ماتریس خطای نسبی نشت به ابعاد (‪ )30×870‬و در نهایت در سناریو‬
‫دوم ‪ 4‬ماتریس خطای نسبی نشت به ابعاد (‪ )30×870‬بدست میآید‪ .‬خروجی هر ستون ماتریسهای فوق‪ ،‬خطای نسبی محاسبه نشت در‬
‫‪ 30‬گره به ازای یکی از حاالت ماتریس نشت (در سناریو‪ 1‬بر اساس جدول‪ 1‬و در سناریو‪ 2‬بر اساس جدول‪ )2‬را نشان میدهد‪ .‬به عنوان مثال‬
‫ستون اول ماتریس خطای نسبی نشت در سناریو‪ 1‬برای حالتی است که نشتهای فرضی ‪ 3‬لیتر بر ثانیه در گرههای ‪ 1‬و ‪ 2‬قرار داشته باشند‪.‬‬
‫بررسی نتایج نشان میدهد که اولین مقدار بیشینه و دومین مقدار بیشینه هر یک از ستونهای ماتریسهای فوق (ماتریسهای خطای نسبی‬
‫‪ED‬‬
‫نشت)‪ ،‬نشاندهنده موقعیت دو نشت میباشند‪ .‬بنابراین بعد از آموزش شبکه عصبی و وارد کردن دبی لولهها به منظور تعیین موقعیت نشت‪،‬‬
‫دو گرهی که مقدار بیشینه اول و بیشینه دوم ‪ RLE‬را دارا باشند‪ ،‬نشاندهنده موقعیت دو نشت میباشند‪.‬‬

‫با توجه به توضیحات فوق‪ ،‬خطای نسبی نشت گرهای که بیشینه اول را به خود اختصاص داده را بصورت رابطه (‪ )4‬میتوان معرفی نمود‪:‬‬
‫‪MA‬‬

‫‪RLE max1 j(%)  max (RLE i) j‬‬ ‫(‪)4‬‬

‫که ‪ RLEmax1‬خطای نسبی نشت گره با مقدار بیشینه اول برحسب درصد و ‪ j‬ستونهای ماتریس ‪( RLE‬سناریو‪j=1,2,3, …,435 ،1‬‬
‫و سناریو‪ ) j=1,2,3, …,870 ،2‬میباشند‪.‬‬
‫‪NU‬‬

‫همچنین به منظور محاسبه خطای نسبی نشت گره با مقدار بیشینه دوم‪ ،‬ابتدا مقادیر بیشینه اول هر ستون از ماتریس ‪ RLE‬را برابر صفر‬
‫قرار داده و سپس رابطه (‪ )5‬بصورت زیر بدست خواهد آمد‪:‬‬
‫‪SC‬‬

‫‪RLE max 2 j(%)  max (RLE i) j & RLE max1 j(%)  0‬‬ ‫(‪)5‬‬

‫که ‪ RLEmax2‬خطای نسبی نشت گره با مقدار بیشینه دوم بر حسب درصد میباشد‪.‬‬
‫‪RIP‬‬

‫‪12‬‬
‫‪T‬‬
‫‪AC‬‬
‫‪ -4-1‬بررسی نتایج سناریو‪1‬‬

‫از جمله پارامترهای مهم برای آموزش شبکه عصبی مصنوعی تعداد نورونهای الیه میانی است‪ .‬با وارد کردن ماتریس دادههای ورودی و‬
‫خروجی به شبکه عصبی به منظور آموزش‪ ،‬میتوان بر اساس بیشینه مقدار ‪ RLE‬در کل شبکه (‪ )MaxRLE‬به ازای تعداد نورونهای مختلف‪،‬‬
‫‪CE‬‬
‫به تعیین تعداد نورون بهینه الیه میانی پرداخت‪ .‬نتیجه این محاسبات در شکل ‪ 5‬نشان داده شده است‪ .‬در فرآیند آموزش شبکه عصبی‪ ،‬کل‬
‫دادههای آموزش شبکه عصبی‪ ،‬به سه بخش دادههای آموزش‪( 1‬در اینجا ‪ ،)70%‬صحتسنجی‪ )%15( 2‬و تست‪ )%15( 3‬تقسیم میشود‪ .‬استفاده‬
‫از ‪ 15%‬دادهها برای صحت سنجی‪ ،‬به منظور جلوگیری از بیشبرازش‪ 4‬در شبکه عصبی آموزش دیده میباشد‪ .‬همچنین شبکه عصبی‬
‫آموزشدیده ‪ ،‬توسط ‪ 15%‬دادهها که به منظور دادههای تست کنار گذاشته شده بود‪ ،‬مورد ارزیابی قرار میگیرد‪.‬‬

‫قابلیت تعمیم در تمامی مدلهای دادهمبنا مانند شبکه عصبی بسیار حائز اهمیت است‪ .‬از آنجاییکه در نظر گرفتن ‪ 15%‬دادهها برای تست‬
‫‪PT‬‬
‫بسیار کم است‪ ،‬در این پژوهش برای ارزیابی کامل تر و اطمینان بیشتر به قابلیت تعمیم شبکه عصبی آموزش دیده‪ ،‬دادههای جدیدی تحت‬
‫عنوان دادههای تست (عالوه بر ‪ 15%‬ابتدایی که خود شبکه عصبی کنار گذاشته است) تولید شد و شبکه عصبی آموزش دیده‪ ،‬با این دادهها‬
‫نیز مورد آزمون قرار گرفت‪ .‬برای این منظور درصدی بیشتر و کمتر از ‪ 3‬لیتر بر ثانیه به عنوان دبی نشت در هر یک از دو گره انتخابی برای‬
‫دادههای تست در نظر گرفته شده است‪ .‬بنابراین نشتهای انتخابی دادههای تست برابر ‪ 2/5‬و ‪ 3/5‬لیتر بر ثانیه فرض میشود‪ .‬همانطور که‬
‫‪ED‬‬
‫در شکل ‪ 5‬مشاهده میشود‪ ،‬مقدار ‪ MaxRLE‬برای دادههای آموزش از ‪ 40‬نورون به بعد به مقدار قابل مالحظهای کاهش یافته است‪ .‬بنابراین‬
‫دراین سناریو میتوان تعداد نورون بهینه را ‪ 40‬نورون معرفی نمود‪ .‬همانطور که در شکل ‪ 5‬مالحظه میشود‪ ،‬مقدار ‪ MaxRLE‬برای داده‬
‫های تست نیز از ‪ 40‬نورون به بعد کاهش یافته است‪ ،‬که این مسئله نیز صحت انتخاب نورون بهینه ‪ 40‬را تایید مینماید‪ .‬همچنین به منظور‬
‫وضوح بیشتر برای مقادیر نوورنهای بیشتر از ‪ ،40‬بزرگنمایی صورت گرفته است‪.‬‬
‫‪MA‬‬
‫‪NU‬‬
‫‪SC‬‬
‫‪RIP‬‬

‫‪1‬‬
‫‪Training Data‬‬
‫‪2‬‬
‫‪Validation Data‬‬
‫‪3‬‬
‫‪Test Data‬‬
‫‪4‬‬
‫‪Overfitting‬‬

‫‪13‬‬
‫‪T‬‬
‫‪AC‬‬
‫‪CE‬‬
‫‪PT‬‬
‫‪ED‬‬
‫‪MA‬‬

‫شکل ‪ :5‬تعداد نورونهای الیه میانی برای دو نشت همزمان با مقدار برابر ( آبی‪ :‬دادههای آموزش‪ ،‬قهوهای تیره و روشن ‪ :‬دادههای تست برای نشتهای‬
‫‪ 3/5‬و ‪ 2/5‬لیتر بر ثانیه‪ .‬سبز‪،‬قرمز و صورتی‪ :‬دادههای آموزش و تست نشتهای ‪ 3/5‬و ‪ 2/5‬لیتر بر ثانیه برای نورونهای بیشتر از ‪)40‬‬
‫‪NU‬‬

‫مقادیر خطای نسبی نشت بیشینه اول (‪ )RLEmax1‬و بیشینه دوم (‪ )RLEmax2‬به ازای دو نشت فرضی ‪ 3‬لیتر بر ثانیه با در نظر گرفتن‬
‫تعداد نورون بهینه ‪ 40‬در الیه میانی برای تمامیحاالت در شکل ‪ 6‬نشان داده شده است‪ .‬محور‪ y‬نشاندهنده مقادیر ‪ RLEmax‬برای مقدار‬
‫بیشینه اول و دوم و محور ‪ x‬حالتهای مختلف ماتریس نشت (‪ 435‬حالت) به ازای دو نشت برابر‪ 3‬لیتر بر ثانیه را نشان میدهد‪ .‬همانطور‬
‫که در شکل ‪ 6‬مالحظه میشود‪ ،‬مقدار ‪ RLEmax‬در تمام حاالت برای هر دو بیشینه کمتر از ‪0/2 %‬است که نسبتا مقدار قابل قبولی را نشان‬
‫‪SC‬‬

‫میدهد [‪ .]3‬بنابرای ن شبکه عصبی آموزش دیده با ورودی برابر با مقدار دبی کل لوله ها‪ ،‬موقعیت نشت را در شبکه توزیع آب با دقت قابل‬
‫قبولی پیشبینی می کند‪ .‬به منظور استفاده از شبکه عصبی آموزش دیده‪ ،‬دبی لولهها میبایست توسط دبیسنج اندازهگیری شود‪ .‬با به کار‬
‫بردن دبی لولهها در شبکه آموزش دیده‪ ،‬دو گرهی که مقادیر بیشینه اول و بیشینه دوم ‪ RLE‬را دارا باشند‪ ،‬نشاندهنده موقعیت دو نشت‬
‫میباشند‪ .‬همچنین مقدار ‪ RLE‬میزان تغییرات مقدار نشت محاسبه شده توسط شبکه عصبی با نشتهای فرضی اولیه را نشان میدهد که‬
‫بر اساس شکل ‪ 6‬در محدوده قابل قبولی میباشد‪.‬‬
‫‪RIP‬‬

‫‪14‬‬
‫‪T‬‬
‫‪AC‬‬
‫‪CE‬‬
‫‪PT‬‬
‫‪ED‬‬
‫‪MA‬‬

‫شکل ‪ :6‬مقدار ‪ RLEmax‬محاسبه شده در برابر موقعیت دو نشت با مقدار برابر در ماتریس نشت‬

‫(آبی‪ :‬بیشینه اول‪ ،‬قرمز‪ :‬بیشینه دوم)‬

‫‪NU‬‬

‫‪ -4-1-1‬تحلیل حساسیت سناریو اول‬

‫نتایج ارائه شده در بخش قبل به نحوی بود که آموزش شبکه عصبی با در نظر گرفتن دو نشت همزمان با مقدار برابر درگرهها و دبی کلیه‬
‫لولهها انجام میشد‪ .‬در واقع شبکه عصبی با در نظر گرفتن دبی ‪ 100%‬لولهها (‪ 50‬لوله) آموزش داده شد‪ .‬یکی از اهداف شبکههای توزیع‬
‫‪SC‬‬

‫آب تعیین موقعیت نشت با حداقل تعداد لولهها می باشد‪ .‬برای این منظور در این بخش‪ ،‬تحلیل حساسیت با استفاده از شبکههای عصبی‬
‫مصنوعی ترکیبی با دبی تعداد لولههای کمتر از تعداد کل لولهها انجام شده است‪ .‬نتایج برای دبی لولههای با تعداد مختلف یعنی ‪،8 ،6 ،4 ،2‬‬
‫‪ 80 ،70 ،60 ،50 ،40 ،30 ،20 ،10‬و ‪ 90‬درصد از کل لولهها ارائه شده است‪ .‬جدول ‪ 3‬درصد و تعداد لولهها در شبکه مورد مطالعه را نشان‬
‫میدهد‪.‬‬
‫‪RIP‬‬

‫‪15‬‬
‫‪T‬‬
‫‪AC‬‬
‫جدول ‪ :3‬تعداد و درصد لوله ها برای شبکه مورد مطالعه‬

‫‪100‬‬ ‫‪90‬‬ ‫‪80‬‬ ‫‪70‬‬ ‫‪60‬‬ ‫‪50‬‬ ‫‪40‬‬ ‫‪30‬‬ ‫‪20‬‬ ‫‪10‬‬ ‫‪8‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪2‬‬ ‫درصد لوله ها‬
‫‪CE‬‬
‫‪50‬‬ ‫‪45‬‬ ‫‪40‬‬ ‫‪35‬‬ ‫‪30‬‬ ‫‪25‬‬ ‫‪20‬‬ ‫‪15‬‬ ‫‪10‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫تعداد لوله ها‬

‫تحلیل حساسیت بر اساس شبکههای عصبی ثانویه و در نهایت شبکه های عصبی ترکیبی انجام میشود‪ .‬شبکههای عصبی ثانویه بر اساس‬
‫دبی درصدهای مختلف تعداد کل لولهها به عنوان ورودی و دبی کل لولهها به عنوان خروجی آموزش می بینند‪ .‬در هر حالت‪ ،‬لولهها بصورت‬
‫‪PT‬‬
‫تصادفی انتخاب میشوند‪ .‬از آنجایی که بررسی تمامیحالتها (مثال انتخاب ‪ 45‬لوله از ‪ 50‬لوله) بسیار زمانبر میباشد‪ ،‬تعداد لولهها بصورت‬
‫تصادفی در تکرارهای محدود انتخاب شده و برای هر حالت‪ ،‬درصدی از حاالت ممکن مورد بررسی قرار گرفته است‪.‬‬

‫خروجیهای شبکه های عصبی ثانویه ورودی شبکه عصبی آموزش دیده با دبی کل لولهها میباشند‪ .‬این روند منجر به ایجاد شبکههای‬
‫‪ED‬‬
‫عصبی ترکیبی (همانند تابعهای ترکیبی ریاضی) میشود‪ .‬شبکههای عصبی ترکیبی دبی درصدهای مختلف تعداد لولهها را دریافت میکنند‬
‫و در نهایت موقعیت نشت را نشان میدهند‪ .‬شکل ‪ 7‬روند نمای نحوه ایجاد شبکههای عصبی ترکیبی را نشان میدهد‪ .‬این شبکههای عصبی‬
‫ترکیبی برای درصدهای مختلف تعداد لولهها بصورت جداگانه ایجاد میشوند‪ .‬به عنوان مثال‪ ،‬برای شبکه عصبی ‪ 20%‬تعداد کل لولهها‪ ،‬شبکه‬
‫ثانویه با دبی ‪ 10‬لوله به عنوان ورودی و دبی ‪ 50‬لوله به عنوان خروجی آموزش میبیند‪ .‬خروجی شبکه عصبی ثانویه به عنوان ورودی برای‬
‫شبکه عصبی آموزش دیده با دبی کل لولهها استفاده میشود‪ .‬در نهایت موقعیت نشت به عنوان خروجی شبکه عصبی ترکیبی بدست می آید‪.‬‬
‫این روند برای درصدهای مختلف تعداد لولهها به همین ترتیب تکرار میشود‪ .‬شبکههای ثانویه نیز شبکههای عصبی پیشخور میباشند‪ .‬تعداد‬
‫‪MA‬‬

‫نورون بهینه در هر یک از شبکههای عصبی ثانویه بر اساس درصدهای مختلف تعداد لولهها متغیر میباشد‪.‬‬
‫‪NU‬‬
‫‪SC‬‬
‫‪RIP‬‬

‫‪16‬‬
‫‪T‬‬
‫‪AC‬‬
‫دبی درصدهای مختلف تعداد کل لولهها‬

‫(‪)90% ،80% ،...،20% ،10% ،8% ،6% ،4% ،2%‬‬

‫‪CE‬‬
‫شبکههای عصبی مصنوعی ثانویه‬
‫آموزش دیده با دبی درصدهای‬
‫‪PT‬‬
‫مختلف تعداد کل لولهها‬
‫شبکه های عصبی ترکیبی‬
‫‪ED‬‬
‫دبی کل لولهها‬

‫شبکه عصبی مصنوعی آموزش‬

‫دیده با دبی کل لولهها‬
‫‪MA‬‬

‫موقعیت نشت‬

‫شکل ‪ :7‬روند نمای تحلیل حساسیت برای شبکههای عصبی ترکیبی‬

‫‪NU‬‬

‫پس از ایجاد شبکههای عصبی ترکیبی‪ ،‬باید بررسی شود که کدام شبکه عصبی ترکیبی موقعیت نشت را به درستی میتواند تعیین نماید‪.‬‬
‫این بررسی در شکل ‪ 8‬نشان داده شده است‪ .‬به عبارت دیگر‪ ،‬تعیین حداقل تعداد لولهها برای تعیین موقعیت نشت ضروری میباشد‪ .‬همانطور‬
‫که درشکل ‪ 8‬مشاهده میشود‪ ،‬دو مقدار برای تعیین موقعیت نشت در شبکه های عصبی ترکیبی نشان داده شده است‪ .‬مقدار "‪ "1‬نشان‬
‫‪SC‬‬

‫دهنده درصد تعداد لولههایی است که به ازای آنها‪ ،‬شبکه های عصبی ترکیبی موقعیت نشت را صحیح تشخیص دادهاند‪ .‬مقدار "‪ "0‬نیز‬
‫مربوط به حاالتی است که شبکه های عصبی ترکیبی قادر به تشخیص صحیح موقعیت نشت نیستند‪ .‬بنابراین برای تشخیص موقعیت صحیح‬
‫نشت بوسیله شبکههای عصبی ترکیبی پبشنهاد شده‪ ،‬دبی حداقل ‪ 10%‬لولهها (‪ 5‬لوله) نیاز است‪.‬‬
‫‪RIP‬‬

‫‪17‬‬
‫‪T‬‬
‫‪AC‬‬
‫موقعیت نشت = صحیح‬
‫‪CE‬‬
‫موقعیت نشت = غیر صحیح‬
‫‪PT‬‬
‫‪ED‬‬
‫شکل ‪ :8‬تعیین موقعیت نشت با دبی درصدهای مختلف تعداد لولهها‬

‫‪ -4-2‬بررسی نتایج سناریو‪2‬‬

‫‪MA‬‬

‫در این سناریو نیز میتوان بر اساس حداکثر ‪ RLE‬درکل شبکه (‪ )MaxRLE‬به ازای تعداد نورونهای مختلف به تعیین تعداد نورون‬
‫بهینه الیه میانی پرداخت‪ .‬نتیجه این محاسبات در شکل ‪ 9‬قابل مشاهده میباشد‪ .‬همانطور که دیده میشود‪ MaxRLE ،‬برای دادههای‬
‫آموزش برای هر یک از ‪ 4‬ماتریس نشت معرفی شده‪ ،‬از ‪ 40‬نورون به بعد به مقدار قابل مالحظهای کاهش یافته است‪ .‬بنابراین دراین سناریو‬
‫نیز تعداد نورون بهینه ‪ 40‬قابل قبول میباشد‪ .‬همچنین به منظور بررسی بیشتر عملکرد شبکه عصبی آموزشدیده‪ ،‬همانند بخش ‪1-4‬‬
‫‪NU‬‬

‫میبایست شبکه عصبی برای دادههایی غیر از دادههای آموزش یعنی دادههای تست (عالوه بر ‪ 15%‬ابتدایی که خود شبکه عصبی کنار گذاشته‬
‫است) مورد ارزیابی قرار گیرد ‪ .‬برای این منظور برای تولید دادههای تست‪ ،‬در هر گروه نشت‪ 5% ،‬به درصدهای توزیع نشت اضافه و کم میشود‪.‬‬
‫مثال برای ماتریس نشت ‪ 60-40‬درصدهای توزیع نشت را ‪ 35%‬و ‪ 65%‬برای دادههای تست در نظر گرفته و ماتریس نشت ‪ 65-35‬تولید‬
‫میشود‪ .‬سایر ماتریسهای نشت به همین ترتیب بدست آورده میشود‪ .‬ماتریس نشت ‪ 70-30‬به ‪ ،75-25‬ماتریس نشت‪ 80-20‬به ‪85-15‬‬
‫و ماتریس نشت ‪ 90-10‬به ‪ 95-5‬برای دادههای تست تبدیل میشود‪ .‬پس از تولید دادههای تست‪ ،‬حداکثر ‪ RLE‬در کل شبکه (‪)MaxRLE‬‬
‫‪SC‬‬

‫به ازای تعداد نورونهای مختلف برای دادههای تست محاسبه شده که نتیجه این محاسبات در شکل ‪ 9‬نشان داده شده است‪ .‬همانطور که‬
‫مالحظه میشود‪ ،‬در دادههای تست نیز نمودار از ‪ 40‬نورون به بعد کاهش چشمگیری داشته است که این مسئله نیز تعداد ‪ 40‬نورون را به‬
‫عنوان تعداد نورون بهینه تایید مینماید‪ .‬همچنین برای وضوح بیشتر مقادیر نوورنهای بیشتر از ‪ ،40‬در شکل ‪ 9‬بزرگ نمایی صورت گرفته‬
‫است‪.‬‬
‫‪RIP‬‬

‫‪18‬‬
‫‪T‬‬
‫‪AC‬‬
‫‪CE‬‬
‫‪PT‬‬

‫ب)‬ ‫الف)‬
‫‪ED‬‬
‫‪MA‬‬
‫‪NU‬‬

‫د)‬ ‫ج)‬

‫شکل ‪ :9‬تعداد نورون های الیه میانی برای دو نشت با مقدار نا برابر (الف) ماتریس نشت ‪ ،60-40‬ب) ماتریس نشت ‪ ،70-30‬ج) ماتریس نشت ‪،80-20‬‬
‫د) ماتریس نشت ‪ ()90-10‬آبی‪ :‬داده های آموزش‪ ،‬قهوه ای‪ :‬داده های تست‪ .‬سبز و قرمز‪ :‬بترتیب داده های آموزش و تست برای نورون های بیشتر از‬
‫‪SC‬‬

‫‪)40‬‬

‫بر اساس شکل ‪ 9‬و توضیحات فوق‪ ،‬شبکه عصبی با ‪ 40‬نورون برای پیشبینی محل نشت به ازای دو نشت فرضی همزمان با مقدار نابرابر‬
‫در شبکه پیشنهاد میشود‪ .‬مقادیر خطای نسبی نشت بیشینه اول (‪ )RLEmax1‬و بیشینه دوم (‪ )RLEmax2‬برای هر یک از گروههای نشت‬
‫‪RIP‬‬

‫با قرار دادن ‪ j=1,2,3,…,870‬در شکل ‪ 10‬نشان داده شده است‪ .‬در هر گروه نشت‪ ،‬محور ‪ y‬نشاندهنده مقادیر‪ RLEmax‬برای مقادیر‬
‫بیشینه اول و دوم و محور ‪ x‬حالتهای مختلف ماتریس نشت ( ‪ 870‬حالت) را نشان می دهد‪ .‬همانطور که در شکل ‪ 10‬مالحظه می شود‪،‬‬

‫‪19‬‬
‫‪T‬‬
‫‪AC‬‬
‫‪ RLEmax‬برای هر ‪ 4‬گروه نشت موجود در جدول ‪ 2‬نشان داده شده است‪ .‬مقدار ‪ RLEmax‬در هر ‪ 4‬گروه نشت برای هر دو بیشینه کمتر‬
‫از ‪ 0/05 %‬میباشد که نسبتا مقدار قابل قبولی را نشان میدهد [‪ .]3‬این مسئله نشان میدهد که‪ ،‬شبکه عصبی آموزشدیده با ورودی برابر‬
‫با مقدار دبی کل لولهها‪ ،‬موقعیت نشت را در شبکه توزیع آب با دقت قابل قبولی پیشبینی میکند‪ .‬به منظور استفاده از شبکه عصبی آموزش‬
‫دیده‪ ،‬دبی لولهها میبایست توسط دبیسنج اندازهگیری شود‪ .‬با استفاده از دبی لولهها در شبکه آموزش دیده‪ ،‬دو گرهی که مقادیر بیشینه‬
‫‪CE‬‬
‫اول و بیشینه دوم ‪ RLE‬را دارا باشند‪ ،‬نشاندهنده موقعیت دو نشت میباشند‪.‬‬
‫‪PT‬‬
‫‪ED‬‬
‫‪MA‬‬

‫ب)‬ ‫الف)‬
‫‪NU‬‬
‫‪SC‬‬

‫د)‬ ‫ج)‬
‫‪RIP‬‬

‫شکل ‪ :10‬مقدار ‪ RLEmax‬محاسبه شده در برابر موقعیت دو نشت با مقدار نابرابر در ‪ 4‬گروه نشت‪ .‬الف) ماتریس نشت ‪ 60-40‬ب) ماتریس نشت ‪-70‬‬
‫‪ 30‬ج) ماتریس نشت ‪ 80-20‬د) ماتریس نشت ‪( 90-10‬آبی‪ :‬بیشینه اول‪ ،‬قرمز‪ :‬بیشینه دوم)‬

‫‪20‬‬
‫‪T‬‬
‫‪AC‬‬
‫‪ -4-2-1‬تحلیل حساسیت سناریو دوم‬

‫همانند بخش ‪ ،1-1-4‬در این بخش نیز با توجه به اینکه شبکه عصبی پیشنهادی با دبی ‪ 100%‬لولهها آموزش دیده است‪ ،‬الزم است‬
‫تحلیل حساسیت با دبی تعداد لوله های کمتر نیز انجام شود‪ .‬نتایج برای دبی درصدهای مختلف لوله ها نظیر ‪،40 ،30 ،20 ،10 ،8 ،6 ،4 ،2‬‬
‫‪CE‬‬
‫‪ 90 ،80 ،70 ،60 ،50‬درصد از کل لولهها ارائه شده است‪ .‬بنابراین شبکههای عصبی ترکیبی (همانند شکل ‪ )7‬برای تعیین موقعیت نشت با‬
‫دبی درصدهای مختلف تعداد لولهها باید ایجاد شود‪ .‬دراین بخش نیز تعداد لولههای الزم برای شبکههای عصبی ثانویه همانند بخش ‪1-1-4‬‬
‫بصورت تصادفی انتخاب شده است‪ .‬تحلیل حساسیت انجام شده در بخش ‪ 1-1-4‬برای حالتی بود که دو نشت همزمان و برابر ‪ 3‬لیتر بر ثانیه‬
‫بر روی گرهها قرار میگرفت‪ .‬با توجه به اینکه در سناریو دوم‪ 4 ،‬ماتریس نشت تعریف شده است‪ ،‬تحلیل حساسیت همانند شکل ‪ 7‬برای‬
‫درصدهای مختلف لوله برای هر ماتریس نشت میبایست بصورت جداگانه انجام شود‪ .‬نتایج نشان میدهد که برای ماتریسهای نشت ‪60-40‬‬
‫‪PT‬‬
‫‪ 30-70،‬و ‪ 80-20‬شبکههای عصبی ترکیبی پیشنهادی با دبی حداقل ‪ 10%‬لولهها (‪ 5‬لوله) قادر به شناسایی محل دو نشت میباشند‪ .‬اما در‬
‫مورد ماتریس نشت‪ 90-10‬شبکههای عصبی ترکیبی پیشنهادی با دبی حداقل ‪ 5‬لوله فقط میتوانند موقعیت نشت بزرگتر را تعیین نمایند‪.‬‬
‫این مسئله به دلیل اختالف مقداری دو نشت فرضی بر روی گرههای شبکه میتواند باشد‪.‬‬
‫‪ED‬‬
‫‪ -5‬جمعبندی و نتیجهگیری‬

‫در پژوهش حاضر‪ ،‬روشی جدید برای تعیین موقعیت دو نشت همزمان در شبکههای توزیع آب با استفاده از شبکههای عصبی پیشخور‬
‫ارائه شده است‪ .‬شبکه های عصبی پیشنهادی بر روی شبکه پوالکیس و برای دو سناریو با حداقل‪ 40‬نورون در الیه میانی مورد بررسی قرار‬
‫گرفتهاند‪ .‬در سناریو اول دو نشت همزمان با مقدار برابر و در سناریو دوم دو نشت همزمان با مقدار نابرابر در هر یک از دو گره شبکه قرار داده‬
‫‪MA‬‬

‫شد‪ .‬شاخص خطای نسبی نشت (‪ )RLE‬به منظور بررسی دقت شبکههای عصبی پیشنهادی ارائه شد‪ .‬دقت شبکههای عصبی آموزش دیده با‬
‫دبی کل لولهها برای سناریو اول کمتر از ‪ 0/2 %‬و برای سناریو دوم کمتر از ‪ 0/05 %‬بدست آمد‪ .‬به منظور کاربردی بودن روش پیشنهادی در‬
‫شبکه های توزیع آب واقعی‪ ،‬تحلیل حساسیت توسط شبکههای عصبی ترکیبی برای درصد لولههای کمتر از کل لولهها انجام گرفت‪ .‬نتایج‬
‫شبکههای عصبی ترکیبی پیشنهادی نشان میدهد که در سناریو اول با داشتن ‪ 10%‬دبی لولهها موقعیت هر دو نشت همزمان با موفقیت‬
‫تعیین میگردد‪ .‬در سناریو دوم که مقادیر دو نشت برابر نیست‪ ،‬مادامیکه اختالف نسبت مقدار دو نشت کمتر از ‪ 80%‬نشت بیشینه است (تا‬
‫‪NU‬‬

‫نسبتهای ‪ 10‬و ‪ 90‬درصد نشت) با داشتن دبیلولهها موقعیت هر دو نشت قابل تعیین است‪ .‬اما برای اختالفهای بیشتر‪ ،‬فقط محل نشت‬
‫بزرگتر را میتوان تعیین نمود‪ .‬با توجه به اینکه در سناریو دوم پیچیدگی مسئله افزایش یافته است‪ ،‬اما به دلیل کارایی باالی شبکههای عصبی‬
‫پیشنهادی‪ ،‬همچنان موقعیت نشتهای بزرگتر با موفقیت قابل تشخیص میباشد‪ .‬توضیح اینکه با کاربرد این روش در یک شبکه واقعی‪ ،‬ابتدا‬
‫بزرگترین نشت شبکه و یا دو نشت بزرگ شبکه شناسایی می شود‪ .‬بعد از شناسایی و برطرف کردن نشت اصلی و یا دو نشت بزرگ شبکه‪ ،‬با‬
‫استفاده مجدد روش می توان یک یا دو نشت بزرگ بعدی شبکه را شناسایی نمود و به همین طریق فرآیند را ادامه داد تا نشتهای مهم شبکه‬
‫‪SC‬‬

‫شناسایی و برطرف شود‪.‬‬

‫‪RIP‬‬

‫‪21‬‬
‫‪T‬‬
AC
‫مراجع‬

[1] A. Gupta, K. D. Kulat, A Selective literature review on leak management techniques for water distribution
system, Water Resources Management, 32 (2018) 3247–3269.
CE
[2] M. Zhao, C. Zhang, H. Liu, G. Fu, Y. Wang, Optimal sensor placement for pipe burst detection in water
distribution systems using cost-benefit analysis, Journal of Hydroinformatics, 22(3) (2020) 606–618.
[3] H.R. Asgari, M. F.Maghrebi, Application of nodal pressure measurements in leak detection, Flow
Measurement and Instrumentation, 50 (2016) 128–134.
[4] Z. Xue, L. Tao, J. Fuchun, E. Riehle, H. Xiang, N. Bowen, R.P. Singh, Application of acoustic intelligent leak
detection in an urban water supply pipe network, Journal of Water Supply: Research and Technology-AQUA,
PT
69(5) (2020) 512–520.
[5] S. Sarkamaryan, A. Haghighi, A. Adib, Leakage detection and calibration of pipes networks by the inverse
transient analysis modified by Gaussian functions for leakage simulation, Journal of Water Supply: Research and
Technology-AQUA, 67(4) (2018) 404–413.
[6] Y. Tenne, C-K. Goh, Computational intelligence in expensive optimization problems (Adaptation, Learning and
ED
Optimization), Springer Science & Business Media 2(2010).
[7] E. Tsanov, I. Ribarova, G. Dimova, P. Ninov, M. Kossida, C. Makropoulos, Water Stress Mitigation in the Vit
River Basin Based on WEAP and MatLab Simulation, Civil Engineering Journal, 6(11) (2020) 2058-2071.
[8] Y. Yan, L. Wang, T. Wang, X. Wang, Y. Hu, Q. Duan, Application of soft computing techniques to multiphase
flow measurement: A review, Flow Measurement and Instrumentation, 60 (2018) 30-43.
[9] D. Jang, H. Park, G. Choi, Estimation of leakage ratio using principal component analysis and artificial neural
network in water distribution systems, Sustainability, 10(3) (2018) 750.
MA

[10] G. M. Lima, B. M. Brentan, D. Manzi, Jr. E. Luvizotto, Metamodel for nodal pressure estimation at near real-
time water distribution systems using artificial neural networks, Journal of Hydroinformatics, 20(2) (2018) 486–
496.
[11] D. Wachla, P. Przystalka, W. Moczulski, A method of leakage location in water distribution networks using
artificial neuro-fuzzy system, IFAC-PapersOnLine, 48(21) (2015) 1216-1223.
[12] M. Attari, M. F.Maghrebi, A new method of leak detection using artificial neural networks, Journal of water
and wastewater, 29(1) (2018) 14-26 (In Persian).
NU

[13] J. Kang, Y.J. Park, J. Lee, S.H. Wang, D.S. Eom, Novel leakage detection by ensemble CNN-SVM and graph-
based localization in water distribution systems, IEEE Transactions on Industrial Electronics, 65(5) (2018) 4279-
4289.
[14] M. Quinones-Grueiro, J. M. Bernal-de Lázaro, C. Verde, A. Prieto-Moreno, O. Llanes-Santiago, Comparison
of classifiers for leak location in water distribution networks, IFAC-PapersOnLine, 51(24) (2018) 407-413.
[15] M.R. Shekofteh, M.R. Jalili Ghazizadeh, J. Yazdi, Theoretical Idea for Identification of Leakage Areas in Virtual
SC

District Metered Areas of Water Distribution Networks Using the Artificial Neural Network, Iran-Water
Resources Research, 16(3) (2020) 47-62 (In Persian).
[16] D. Ma, J. Wang, Q. Sun, X. Hu, A novel broad learning system-based leakage detection and universal
localization method for pipeline networks, IEEE Access, 7 (2019) 42343-42353.
[17] R. Moasheri, M.R. Jalili Ghazizadeh, Identifying position and amount of two simultaneous leaks in water
supply networks by a two-step algorithm, Amirkabir Journal of Civil Engineering 52(5) (2018) 1-10 (In Persian).
RIP

[18] H. Fallahi, M. Jalili Ghazizadeh, B. Aminnejad, J. Yazdi, Leakage detection in water distribution networks
using hybrid feedforward artificial neural networks, ournal of Water Supply: Research and Technology-Aqua,
70(5) (2021) 637-653.

22
T
AC
[19] Z. Poulakis, D. Valougeorgis, C. Papadimitriou, Leakage detection in water pipe networks using a Bayesian
probabilistic framework, Probabilistic Engineering Mechanics, 18(4) (2003) 315-327.
[20] S. Sarkamaryan, S. M. Ashrafi, A. Haghighi, H.M. V.Samani, Using Artificial Neural Network surrogate models
to reduce the calculation cost of leak detection in water distribution networks, Amirkabir Journal of Civil
Engineering, 52(10) (2019) 1-13 (In Persian).
CE
[21] M. T. Hagan, H.B. Demuth, M. Beale, Neural network design, 2rd edition, (2014).
[22] X.H. Zhou, M.X. Zhang, Z.G. Xu, C.Y. Cai, Y.J. Huang, Y.J. Zheng, Shallow and deep neural network training by
water wave optimization., Swarm and Evolutionary Computation, 50 (2019) 100561.
[23] L. Rossman, EPANET 2 Users Manual, Technical Report EPA/600/R-00/057, Water Supply and Water
Resources Division, National Risk Management Research Laboratory, US, Environmental Protection Agency,
Cincinnati, OH, USA., (2000).
PT
ED
MA
NU
SC
RIP

23
T
AC
‫ترجمه انگلیسی‬ ‫جدول‬/‫شماره شکل‬ ‫مورد‬
Case-study network
Figure 1 1

The structure of the artificial neural network

Figure 2 2
CE
Steps of preparing the training data 3
Figure 3
The proposed leakage detection flowchart
Figure 4 4

The number of neurons at the hidden layer for two simultaneous leakages with equal
values (Blue: the training data, Dark and light brown: the test data for leakages 3.5
PT
and 2.5 L/s, respectively. Green, Red, and Pink: the training and test data for leakages Figure 5 5
3.5L/s and 2.5 L/s for the neurons more than 40 respectively)

The calculated RLEmax value versus the location of two equal simultaneous leakages
values in the leakage matrix (Blue: first maximum, Red: second maximum) Figure 6 6
ED
Flowchart of sensitivity analysis for the Hybrid ANNs
Figure 7 7

Detection of the leakage location by the flow rates of different percentages of pipes
number Figure 8 8
MA

The number of neurons at the hidden layer for two simultaneous leakages with
unequal values a) 40-60 leakage matrix, b) 30-70 leakage matrix, c) 20-80 leakage
matrix, d) 10-90 leakage matrix (Blue: the training data, Brown: the test data. Green Figure 9 9
and Red: the training and test data for the neurons larger than 40)

The calculated RLEmax value versus the location of the two simultaneous leakages
with unequal values at four leakage matrices. a) 40-60 leakage matrix, b) 30-70
NU

leakage matrix, c) 20-80 leakage matrix, d) 10-90 leakage matrix (Blue: first Figure 10 10
maximum, Red: second maximum)

Leakage Matrix (30×435) Table 1 11

Leakage distribution relative to the maximum leakage in both selected nodes
Table 2 12
SC

The percentage and associated number of pipes for the case-study network Table 3 13
RIP

24
T