Professional Documents
Culture Documents
یافتن محل نشت در شبکه انتقال آب
یافتن محل نشت در شبکه انتقال آب
یافتن محل نشت در شبکه انتقال آب
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
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
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.
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
مرحله دوم
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.
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
EPANET2.0
MA
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.
%10 %90 %20 %80 %30 %70 %40 %60 گره اول
%90 %10 %80 %20 %70 %30 %60 %40 گره دوم
MA
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
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
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
موقعیت نشت
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
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
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 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)
The percentage and associated number of pipes for the case-study network Table 3 13
RIP
24
T