‫سومین کنگره علوم و مهندسی آب و فاضالب ایران‬

‫دانشگاه شیراز‬
‫‪ 4‬الی ‪ 6‬آذرماه ‪1399‬‬

‫‪1390O-IWWA‬‬

‫مروری بر کاربرد یادگیری ماشین در شبکههای توزیع آب‬

‫‪3‬‬
‫مهسا صمدی‪ ،*1‬رضا طاهری‪ ،2‬محمدعلی گرانمهر‬
‫‪ -1‬دانشآموخته کارشناسی ارشد مهندسی عمران‪-‬مهندسی و مدیریت منابع آب‪ ،‬دانشکده مهندسی‬
‫عمران‪ ،‬دانشگاه صنعتی اصفهان (نویسنده مسئول) ‪m.samadi@alumni.iut.ac.ir‬‬
‫‪ -2‬دانشآموخته کارشناسی مهندسی عمران‪ ،‬دانشکده مهندسی عمران‪ ،‬دانشگاه صنعتی اصفهان‬
‫‪mr.rezataheri@gmail.com‬‬
‫‪ -3‬دانشآموخته دکترای مهندسی عمران‪-‬آب‪ ،‬دانشکده مهندسی عمران‪ ،‬دانشگاه صنعتی اصفهان‬
‫‪ma.geranmehr@alumni.iut.ac.ir‬‬

‫چکیده‬
‫یادگیری ماشین یکی از زیرمجموعههای با اهمیت هوش مصنوعی بوده که هدف آن ارائه الگوریتم و روشهایی کارآمد و مناسب برای درک‬
‫ارتباط پیچیده بین دادهها و سیستمهای موجود توسط ماشین است‪ .‬امروزه استفاده از ابزارهای مبتنی بر یادگیری ماشین در زمینههای مختلف‬
‫مانند مدیریت منابع آب بسیار متداول شده و دانشی رو به رشد میباشد‪ .‬از کاربردهای این ابزارها‪ ،‬میتوان به استفاده در مسائل مختلف مرتبط‬
‫با شبکههای توزیع آب‪ ،‬به عنوان یک سیستم پیچیده اشاره کرد‪ .‬در این مقاله‪ ،‬ابتدا ابزارهای مختلف و متداول یادگیری ماشین به طور خالصه‬
‫معرفی شده است‪ .‬در ادامه کاربردهای متنوع و فراوان این ابزارها برای مسائل مرتبط با مدیریت منابع آب‪ ،‬و به خصوص شبکههای توزیع آب‬
‫مثل تخمین نیاز آبی‪ ،‬شبیهسازی هیدرولیکی‪ ،‬تخمین نرخ شکست لولهها‪ ،‬شناسایی نشت‪ ،‬شبیهسازی کیفی‪ ،‬تشخیص رویداد آلودگی و تشخیص‬
‫منبع آلودگی در نظر گرفته و مرور شده است‪ .‬این مقاله میتواند مقدمهای برای انجام پژوهشهای شاخص و کاربردی در آینده باشد‪.‬‬

‫واژههااای کلیاادی فارساای‪ :‬ماادیریت منااابع آب‪ ،‬شااهکههای توزیااع آب‪ ،‬یااادگیری ماشااین‪ ،‬شااهکههای عصااهی مصاانوعی‪،‬‬
‫ماشینهای بردار پشتیهان‪.‬‬

‫‪ -1‬مقدمه‬

‫شبکههای توزیع آب یکی از زیرساختهای حیاتی بوده که آب را به کمک لولههای موجود از یک یا چند مخزن در کل‬
‫شهر توزیع میکنند‪ .‬تامین فشار مناسب‪ ،‬از مهمترین وظایف شبکه است که معموالً با استفاده از مخازن مرتفع یا‬
‫ایستگاههای پمپاژ فراهم میشود‪ .‬امروزه برای سنجش عملکرد شبکه‪ ،‬حسگرهایی در نقاط مختلف آن جانمایی و نصب‬
‫می شوند‪ .‬این حسگرها انواع مختلف داشته و معموالً برای سنجش فشار‪ ،‬دبی و یا کیفیت آب مورد استفاده قرار میگیرند‪.‬‬
‫پیچیدگیهای حاکم بر رفتار شبکه‪ ،‬باعث شده است تا محققین به سمت استفاده از علوم هوش مصنوعی و روشهای‬
‫مبتنی بر یادگیری ماشین‪ 1‬ترغیب شوند‪ .‬یادگیری ماشین‪ ،‬یکی از علوم پیشرو در دنیای امروز بوده و کاربردهای زیادی‬
‫دارد‪ .‬به عنوان نمونه‪ ،‬پیشبینی‪ ،‬شناسایی و دستهبندی انواع تصاویر ثابت و متحرک‪ ،‬صوت‪ ،‬ایمیل و متن از مهمترین‬
‫مواردی است که انسان هر روز با آنها در ارتباط است‪.‬‬
‫در این مقاله‪ ،‬ابتدا مروری بر روشهای مختلف یادگیری ماشین‪ ،‬شامل درخت تصمیم‪ ،2‬شبکههای عصبی‬
‫مصنوعی‪ ،3‬یادگیری عمیق‪ ،4‬ماشینهای بردار پشتیبان‪ 5‬و شبکه بیزی‪ 6‬ارائه شده است‪ .‬در ادامه برخی از کاربردهای‬
 ‫سومین کنگره علوم و مهندسی آب و فاضالب ایران‬
‫دانشگاه شیراز‬
‫‪ 4‬الی ‪ 6‬آذرماه ‪1399‬‬

‫متداول ابزارهای یادگیری ماشین در شبکههای توزیع آب شامل تخمین نیازآبی‪ ،‬شبیهسازی هیدرولیکی‪ ،‬تخمین نرخ‬
‫شکست لولهها‪ ،‬شناسایی نشت‪ ،‬شبیهسازی کیفی‪ ،‬تشخیص رویداد آلودگی و تشخیص منبع آلودگی‪ ،‬به طور مختصر‬
‫بررسی شده است‪ .‬هدف این مقاله‪ ،‬مرور و دستهبندی تحقیقات مرتبط با مباحث یادگیری ماشین و علوم مرتبط با‬
‫شبکههای توزیع آب است و میتواند مقدمهای برای انجام پژوهشهای شاخص و کاربردی در آینده باشد‪.‬‬

‫‪ -2‬یادگیری ماشین‬

‫یادگیری ماشین‪ ،‬یکی از زیرمجموعههای علوم هوش مصنوعی است که به صورت ابزارها و روشهای مختلف توسعه داده‬
‫شده است‪ .‬به طور کلی هدف از یادگیری ماشین این است که یک ماشین (کامپیوتر) بتواند بهخوبی و بدون برنامهنویسی‬
‫صریح‪ ،‬ارتباط پیچیده بین داده ها را تشخیص داده و یاد بگیرد تا بتوان از آن در عمل استفاده نمود و یک وظیفه را با‬
‫عملکرد بهتر انجام داد‪ .‬از کاربردهای متداول این دانش‪ ،‬میتوان به انواع سیستمهای تشخیص و پیشبینی در علوم‬
‫مهندسی‪ ،‬کامپیوتر‪ ،‬پردازش صوت و تصویر و ‪ ...‬اشاره کرد‪ .‬معموالً وقتی سه شرط زیر برقرار باشد‪ ،‬می توان از ابزارهای‬
‫یادگیری ماشین استفاده نمود‪:‬‬
‫‪ -‬یک الگو بین ورودی(ها) و خروجی(ها) وجود داشته باشد‪.‬‬
‫‪ -‬سیستم قابلیت مدلسازی ریاضی نداشته باشد‪.‬‬
‫‪ -‬دادهای کافی (ورودی و خروجی متناظر) برای سیستم وجود داشته باشد‪.‬‬
‫در حالت کلی‪ ،‬یادگیری ماشین میتواند از نظر نوع آموزش‪ ،‬به سه دسته تقسیم شود‪:‬‬
‫‪ -1‬یادگیری نظارت شده‪ :7‬در این روش‪ ،‬یادگیری بر اساس تعداد مشخص و کافی از زوج دادههای ورودی و‬
‫خروجی موجود انجام میشود‪ .‬برای مثال‪ ،‬دادههای مصرف آب یک شهر در ساعات مختلف شبانه روز در یک‬
‫دروه زمانی مشخص‪ ،‬میتواند به عنوان دادههای یادگیری در یک سیستم با یادگیری نظارت شده استفاده شود‪.‬‬
‫در این روش‪ ،‬مسائل به دو نوع مختلف رگرسیون‪( 8‬دادههای پیوسته) و دستهبندی‪( 9‬دادههای گسسته) تقسیم‬
‫میشوند‪.‬‬
‫‪ -2‬یادگیری بدون نظارت ‪ :‬در این حالت‪ ،‬داده ها برچسب نداشته و تالش میشود ارتباط پنهان آن ها مشخص‬
‫‪10‬‬

‫شود‪ .‬خوشهبندی‪( 11‬با هدف کشف گروهها) و قوانین انجمنی (با هدف کشف قواعد)‪ ،‬دو نوع مختلف مسائل در‬
‫این روش هستند‪.‬‬
‫‪ -3‬یادگیری تقویتی‪ :12‬در سیستم های پویا‪ ،‬اگر فرآیند یادگیری مدل به صورت مداوم انجام شود‪ ،‬باعث میشود‬
‫مدل بتواند در طول زم ان عملکرد بهتری داشته باشد‪ .‬در این روش یادگیری‪ ،‬دائماً از بازخوردهای سیستم به‬
‫عنوان پاداش و تنبیه استفاده میشود‪.‬‬
‫امروزه با فراهم شدن بانکهای اطالعاتی و دادههای کالن‪ ،13‬توسعه و استفاده از روشهای یادگیری ماشین‬
‫روزبهروز بیشتر میشود‪ .‬معموالً جهت سهولت استفاده از این روشها‪ ،‬از زبانهای برنامهنویسی متلب‪ ،14‬پایتون‪ ،15‬و ‪R‬‬
‫استفاده میشود‪ .‬در ادامه برخی از ابزارها و مدلهای متداول در این زمینه‪ ،‬مرور میشوند‪.‬‬

‫‪ -1-2‬درخت تصمیم‬
‫درخت تصمیم‪ ،‬یک ابزار برای پشتیبانی از تصمیم بوده که برای مشخص کردن استراتژی که با بیشترین احتمال به هدف‬
‫برسد بکار میرود‪ .‬از مزایای این روش‪ ،‬فهم ساده و امکان ترکیب با روشهای دیگر را میتوان نام برد‪ .‬اصلیترین عیب‬
‫این روش‪ ،‬بزرگشدن نمایی درخت بر اساس بزرگشدن ابعاد مسئله است‪ .‬درخت تصمیم در مسائلی کاربرد دارد که‬
‫بتوان آنها را به صورتی مطرح نمود که پاسخ واحدی به صورت نام یک دسته یا کالس ارائه دهند‪ .‬درخت تصمیم از‬
 ‫سومین کنگره علوم و مهندسی آب و فاضالب ایران‬
‫دانشگاه شیراز‬
‫‪ 4‬الی ‪ 6‬آذرماه ‪1399‬‬

‫تعدادی گره و شاخه تشکیل شده است که نمونهها را به نحوی طبقهبندی میکند که از ریشه به سمت پایین رشد کرده‬
‫و در نهایت به گرههای برگ میرسد‪ .‬هر گره داخلی یا غیر برگ با یک ویژگی مشخص میشود‪ .‬این ویژگی سوالی را در‬
‫رابطه با ورودی مطرح میکند‪ .‬در هر گره داخلی به تعداد جوابهای ممکن با این سوال شاخه وجود دارد که هریک با‬
‫مقدار آن جواب مشخص میشوند‪ .‬برگهای این درخت با یک کالس و یا یک طبقه از جوابها مشخص میشوند‬
‫(‪.)Grąbczewski 2014‬‬

‫‪ -2-2‬شبکههای عصبی مصنوعی‬

‫شبکههای عصبی مصنوعی‪ ،‬الگوریتمها و ساختارهایی هستند که از عملکرد شبکههای عصبی بیولوژیکی الهام گرفته‬
‫شدهاند‪ .‬در این شبکهها‪ ،‬محاسبات در گروههایی از نورونهای مصنوعی انجام شده و اطالعات پردازش میشوند‪ .‬شبکههای‬
‫عصبی معموالً برای مدلسازی روابط پیچیده بین ورودیها و خروجیها و همچنین الگوشناسی در دادهها استفاده‬
‫میشوند‪ .‬ساختار کلی یک شبکه عصبی‪ ،‬بر اساس دادههای موجود‪ ،‬توسط یک الگوریتم یادگیری آن قدر تنظیم و بهینه‬
‫میشود‪ ،‬که بتواند رفتار مناسبی را از خود نشان دهد (‪ .)da Silva et al. 2017‬برخی از انواع متداول شبکههای عصبی‬
‫عبارتند از‪:‬‬
‫‪ -‬شبکههای عصبی چندالیه پرسپترون‪)MLP( 16‬‬
‫‪ -‬شبکههای عصبی شعاعی‪)RBF( 17‬‬
‫‪ -‬شبکههای عصبی‪-‬فازی‪)ANFIS( 18‬‬

‫‪ -3-2‬یادگیری عمیق‬
‫یادگیری عمیق‪ ،‬دستهای از الگوریتمهای یادگیری ماشین در سیستمهای پیچیده بوده که در سالهای اخیر پیشرفت‬
‫قابل توجهی داشتهاند‪ .‬در این روشها‪ ،‬تالش میشود مفاهیم انتزاعی سطح باال با استفاده از یادگیری در سطوح و الیههای‬
‫مختلف مدل شود‪ .‬یادگیری عیمق‪ ،‬شیوه تفکر و عملکرد طبیعی انسانها را به هوش مصنوعی آموزش میدهد‪ .‬مهمترین‬
‫کاربردهای یادگیری عمیق‪ ،‬پردازش تصویر و صوت میباشد‪ .‬معموالً در روشهایی که به جهت برنامهریزی سیستمهای‬
‫یادگیری عمیق برای هوش مصنوعی به کار برده میشود‪ ،‬از یک شبکه عصبی استفاده میشود‪ .‬از این رو سیستمهای به‬
‫کار رفته در یادگیری عمیق را شبکه عصبی عمیق نیز مینامند‪ .‬به دلیل وجود الیههای متفاوت و سطحهای متفاوتی از‬
‫اطالعات‪ ،‬از واژه عمیق استفاده میشود‪ .‬شبکه عصبی از دو یا نهایتاً چند الیه تشکیل شده است‪ .‬درحالیکه شبکه عصبی‬
‫عمیق از بیش از ‪ 150‬الیه تشکیل شده است‪ .‬یادگیری عمیق به گونهای طراحی شده است که قادر باشد بدون‬
‫دستورالعملهایی که توسط کاربر صادر میشود‪ ،‬اطالعات مورد نیاز خود را از میان حجم وسیعی از اطالعات استخراج‬
‫کرده و مورد استفاده قرار دهد (‪.)Wani et al. 2020‬‬

‫‪ -4-2‬ماشینهای بردار پشتیبان‬

‫ماشینهای بردار پشتیبان‪ ،‬یکی از روشهای یادگیری با نظارت بوده که برای طبقهبندی یا رگرسیون استفاده میشود‪.‬‬
‫در این روش‪ ،‬اگر ‪ n‬تعداد ویژگیهایی باشد که هر یک از دادهها دارد‪ ،‬هر داده به عنوان یک نقطه در فضای ‪ n‬بعدی‬
‫ترسیم شده و سپس با ترسیم یک اَبَرصفحه (معادل یک خط راست در فضای دو بعدی)‪ ،‬دادههای مختلف و متمایز از‬
‫یکدیگر دستهبندی میشوند‪ .‬در مسائلی که یک خط راست نمیتواند نمونه دادهها را به خوبی دستهبندی کند‪ ،‬نیاز به‬
‫نگاشت دادهها به یک فضای با بُعد باالتر وجود دارد تا بتوان نمونه دادهها را به درستی از یکدیگر تفکیک کرد‪ .‬این کار‬
‫توسط توابع کرنل‪ 19‬انجام می شود‪ .‬معموالً انتخاب نوع تابع کرنل با بهترین عملکرد در هر مسئله‪ ،‬نیاز به سعی و خطا‬
 ‫سومین کنگره علوم و مهندسی آب و فاضالب ایران‬
‫دانشگاه شیراز‬
‫‪ 4‬الی ‪ 6‬آذرماه ‪1399‬‬

‫دارد (‪.)Steinwart and Christmann 2008‬‬

‫‪ -5-2‬شبکه بیزی‬
‫شبکه بیزی یک گراف جهتدار بوده که مجموعهای از متغیرهای تصادفی و نحوه ارتباط مستقل آنها را نشان میدهد‪ .‬به‬
‫عبارت دیگر‪ ،‬شبکه بیزی یک مدل گرافی‪-‬احتمالی است که روابط نامشخص بین پارامترها در یک حوزه را نمایش‬
‫میدهد‪ .‬شبکههای بیزی برای محاسبه پیشبینی وقوع اتفاقاتی که ممکن است در آینده رخ دهند یک ابزار ایده آل است‬
‫و میتوان به کمک آن‪ ،‬بر اساس دالیل ناشناخته‪ ،‬احتمال وقوع یک اتفاق را بهصورت شرطی پیشبینی کرد ( ‪Koski‬‬
‫‪.)and Noble 2009‬‬

‫‪ -3‬کاربرد ابزارهای یادگیری ماشین در شبکههای توزیع آب‬

‫در این بخش‪ ،‬برخی کاربردهای متداول روشهای یادگیری ماشین در شبکههای توزیع آب‪ ،‬مرور میشود‪.‬‬

‫‪ -1-3‬تخمین نیازآبی‬
‫تخمین نیازآبی‪ ،‬یکی از پارامترهای موثر در هر دو سطح برنامهریزی کالن و همچنین بهرهبرداری شبکه است‪ .‬نیازآبی‬
‫میتواند به کمک کنتورها یا دبیسنجهای داخل شبکه و یا متصل به خروجی مخازن اندازهگیری شود‪ .‬در حالت کلی‪،‬‬
‫نیازآبی دارای نوسانات مصرف ساعتی بوده که با توجه به روز هفته (ابتدای هفته و آخر هفته)‪ ،‬تعطیل بودن یا نبودن آن‬
‫روز‪ ،‬ماه‪ ،‬فصل و سال‪ ،‬متفاوت خواهد بود‪ .‬معموالً به دلیل رشد جمعیت در کل دوره طرح‪ ،‬نیازآبی نیز در طول سالهای‬
‫بهرهبرداری افزایش پیدا میکند‪ .‬همچنین روز تعطیل یا روز غیر تعطیل‪ ،‬تاثیر قابل توجهی بر ساعات پیک مصرف خواهد‬
‫داشت‪ .‬در ایران و در ماه مبارک رمضان‪ ،‬الگوی مصرف در شبانهروز تغییر زیادی نسبت به سایر روزهای سال دارد‪ .‬عالوه‬
‫بر این‪ ،‬در صورت بروز آتشسوزی و مصرف از شیر(های) آتشنشانی موجود در شبکه‪ ،‬الگوی مصرف به طور لحظهای و‬
‫تاحدودی تغییر میکند‪.‬‬
‫با توجه به مواردی که اشاره شد‪ ،‬یک مدل مناسب مبتنی بر یادگیری ماشین‪ ،‬باید بتواند پچیدگیهای موجود را‬
‫به خوبی درک کرده و در صورت لزوم‪ ،‬به صورت لحظهای بهروز شود‪ .‬این ویژگی در مدلهای آنالین مدیریت هوشمند‬
‫فشار شبکه اهمیت باالیی دارد‪ .‬در حال حاضر‪ ،‬در بیشتر پژوهشهای موجود از شبکههای عصبی مصنوعی برای تخمین‬
‫نیازآبی استفاده شده است که برخی از این موارد در جدول ‪ 1‬ارائه شده است‪.‬‬

‫‪ -2-3‬شبیهسازی هیدرولیکی‬
‫شبکههای توزیع آب معموالً به صورت ترکیبی از حلقهها و شاخهها هستند‪ .‬در حالت عادی‪ ،‬معادالت هیدرولیکی شامل‬
‫معادله پیوستگی در گرهها و معادله انرژی در حلقهها میباشد‪ .‬امروزه با وجود شبیهساز هیدرولیکی متنباز‪ ،‬قدرتمند و‬
‫سریع ‪ ، EPANET‬کمتر به استفاده از ابزارهای یادگیری ماشین نیاز است‪ .‬به عنوان نمونه‪ ،‬در سال ‪ 2007‬استفاده از‬
‫یک شبکه عصبی مصنوعی به عنوان جایگزین شبیهساز هیدرولیکی ‪ EPANET‬در شبکههای توزیع آب با موفقیت‬
‫بررسی شده است (‪ .)Rao and Alvarruiz 2007‬در تحقیقی دیگر‪ ،‬یک مدل شبکه عصبی مصنوعی برای محاسبه‬
‫مقادیر فشار در گرههای یک شبکه واقعی‪ ،‬توسعه داده شده است‪ .‬این شبکه بر اساس مقادیر واقعی فشار اندازهگیری شده‬
‫در محل گرههای مختلف شبکه‪ ،‬آموزش دیده است (‪ .)Ridolfi et al. 2014‬الزم به ذکر است در شرایط کمبود فشار‬
‫که برای تحلیل شبکه نیاز به استفاده از رویکرد تحلیل مبتنی برفشار است‪ ،‬معموالً از روشهای مبتنی برتکرار استفاده‬
‫می شود که باعث افزایش زمان اجرا خواهد شد‪ .‬این مسئله به ویژه در محاسبات آنالین شبکههای بزرگ و واقعی‪ ،‬باعث‬
 ‫سومین کنگره علوم و مهندسی آب و فاضالب ایران‬
‫دانشگاه شیراز‬
‫‪ 4‬الی ‪ 6‬آذرماه ‪1399‬‬

‫افزایش هزینه محاسباتی شده و استفاده از ابزارهای مبتنی بر یادگیری ماشین‪ ،‬اجتنابناپذیر میشود‪.‬‬
‫جدول ‪ -1‬بررسی برخی تحقیقات پیشین در زمینه تخمین نیازآبی‬
‫توضیحات‬ ‫ابزار(ها)‬ ‫هدف‬ ‫مقاله‬
‫از دادههای ده ساله شهر اوتاوا در کانادا استفاده شده‬ ‫رگرسیون خطی‪ ،‬تحلیل‬ ‫تخمین مقدار‬
‫که نتایج نشان داد شبکه عصبی نسبت به سایر روشها‬ ‫سری زمانی‪ ،‬شبکه عصبی‬ ‫بیشینه (پیک)‬ ‫)‪(Adamowski 2008‬‬
‫عملکرد بهتری دارد‪.‬‬ ‫مصنوعی‬ ‫نیازآبی در تابستان‬
‫از دادههای ماهانه شهر نیشابور استفاده شده که نتایج‬
‫رگرسیون خطی‪ ،‬شبکه‬ ‫تخمین بلندمدت‬ ‫‪(Behboudian et al.‬‬
‫نشان داد شبکه عصبی مصنوعی میتواند عدمقطعیت‬
‫عصبی چندالیه پرسپترون‬ ‫نیازآبی‬ ‫)‪2014‬‬
‫در تخمین را کاهش دهد‪.‬‬

‫از دادههای شهر خُبَر در عربستان استفاده شده که‬

‫تحلیل سری زمانی‪ ،‬شبکه‬ ‫تخمین نیازآبی‬ ‫‪(Al-Zahrani and‬‬
‫نتایج نشان داد تلفیق دو روش سری زمانی و شبکههای‬
‫عصبی مصنوعی‬ ‫روزانه برای آینده‬ ‫)‪Abo-Monasar 2015‬‬
‫عصبی مصنوعی‪ ،‬میتواند عملکرد خوبی داشته باشد‪.‬‬
‫سه مورد مطالعاتی بررسی شده که نتایج نشان میدهد‬ ‫روش مبتنی بر ضرایب‬ ‫تخمین ساعتی‬
‫عملکرد هر دو روش بسته به نوع شبکه‪ ،‬میتواند تقریباً‬ ‫(الگوی مصرف)‪ ،‬شبکه‬ ‫نیازآبی برای ‪24‬‬ ‫‪(Gagliardi et al.‬‬
‫)‪2017‬‬
‫یکسان باشد‪.‬‬ ‫عصبی مصنوعی‬ ‫ساعت آینده‬
‫یک روش ابتکاری مبتنی‬
‫روشی ابتکاری ارائه شده که عملکرد بسیار خوبی در‬ ‫تخمین نیازآبی‬ ‫‪(Lopez Farias et al.‬‬
‫بر تحلیل سری زمانی‪،‬‬
‫تخمین نیازآبی دارد‪.‬‬ ‫ساعتی‬ ‫)‪2018‬‬
‫شبکه عصبی مصنوعی‬

‫‪ -3-3‬تخمین نرخ شکست لولهها‬

‫نرخ شکست لولههای یک شبکه توزیع آب‪ ،‬معموالً تابعی از فشار‪ ،‬جنس‪ ،‬عمر و قطر لوله است‪ .‬با توجه به عدم جامعیت‬
‫روابط ارائه شده برای پیشبینی نرخ شکست‪ ،‬استفاده از مدلهایی مثل شبکههای عصبی مصنوعی‪ ،‬ماشینهای بردار‬
‫پشتیبان و شبکههای بیزی‪ ،‬از جمله روشهای متداول برای تخمین آن بر اساس دادههای موجود و واقعی است ( ‪Dridi‬‬
‫‪.)et al. 2009; Shirzad et al. 2014; Tabesh et al. 2009‬‬

‫‪ -4-3‬شناسایی نشت‬
‫بررسی مقدار و محل نشت در شبکههای توزیع آب‪ ،‬یکی مسائل مهم در کاهش هدررفت آب است‪ .‬استفاده از دادههای‬
‫لحظه ای شبکه و ابزارهای مبتنی بر یادگیری ماشین‪ ،‬یکی از رویکردهای نوین در شناسایی نشت در شبکه است‪ .‬در این‬
‫زمینه‪ ،‬انواع روشها و رویکردهای مختلف توسعه داده شده که برخی از آنها در جدول ‪ 2‬ارائه شده است‪.‬‬

‫‪ -5-3‬شبیهسازی کیفی‬
‫تحلیل کیفی شبکه معموالً در سه حالت مختلف انجام میشود‪:‬‬
‫‪ -1‬تحلیل غلظت یک ماده (مثل کلر یا یک آالینده مثل آرسنیک) در شبکه‪ :‬غلظت ماده مورد نظر در نقاط مختلف‬
‫شبکه و در زمانهای مختلف محاسبه میشود‪.‬‬
‫‪ -2‬تحلیل سن یا عمر آب‪ :‬سن آب در نقاط مختلف شبکه و در زمانهای مختلف نسبت به مخزن‪ ،‬محاسبه میشود‪.‬‬
‫‪ -3‬تحلیل ردیابی آب از منابع مختلف‪ :‬این نوع تحلیل در شبکههایی با چند منبع مختلف آب کاربرد دارد‪.‬‬
‫به دلیل پیچیدگی محاسباتی انجام تحلیل کیفی و همچنین دشواری کالیبراسیون برخی پارامترهای کیفی مرتبط‬
‫در شبکه‪ ،‬گاهی از روشهای مبتنی بر یادگیری ماشین به عنوان مدلهای شبیهساز کیفی استفاده میشود ( ‪Andrade‬‬
 ‫سومین کنگره علوم و مهندسی آب و فاضالب ایران‬
‫دانشگاه شیراز‬
‫‪ 4‬الی ‪ 6‬آذرماه ‪1399‬‬

‫‪.)et al. 2016; Bowden et al. 2006‬‬

‫جدول ‪ -2‬بررسی برخی تحقیقات پیشین در زمینه شناسایی نشت‬
‫توضیحات‬ ‫ابزار(ها)‬ ‫مقاله‬
‫شبکه به چند زیرناحیه تقسیم شده و برای هر زیرناحیه‪ ،‬یک شبکه‬
‫عصبی‪-‬فازی آموزش می بیند تا بتواند بر اساس مقادیر جریان‪ ،‬محل‬ ‫شبکههای عصبی‪-‬فازی‬ ‫)‪(Wachla et al. 2015‬‬
‫نشت را مشخص کند‪.‬‬
‫ابتدا شبکه به زونهای کوچکتر تقسیم شده و برای هر زون از مدل‬
‫‪ SVM‬بر اساس دادههای فشار و به منظور شناسایی محل نشت‬ ‫ماشینهای بردار پشتیبان‬ ‫)‪(Zhang et al. 2016‬‬
‫استفاده میشود‪.‬‬
‫یک شبکه بیزی‪ ،‬با در نظر گرفتن عدم قطعیت عوامل موثر بر نشت‬
‫و بر اساس دادههای دریافتی از شبکه‪ ،‬محلهای با پتانسیل وجود‬ ‫شبکههای بیزی‬ ‫)‪(Leu and Bui 2016‬‬
‫نشت را پیشبینی میکند‪.‬‬
‫یک مدل ‪ SVM‬بر اساس دادههای حاصل از شبیهساز ‪EPANET‬‬
‫آموزش میبیند‪ .‬در ادامه‪ ،‬این مدل با استفاده از مقادیر فشار واقعی‪،‬‬ ‫ماشینهای بردار پشتیبان‬ ‫)‪(Kemba et al. 2017‬‬
‫محل نشت را مشخص میکند‪.‬‬
‫مقادیر فشار در گرهها و دبی در لولهها در نقاط مختلف شبکه‬
‫برداشت شده و بسته به شرایط در دو دسته ‪ leakage condition‬و‬ ‫ماشینهای بردار پشتیبان‬ ‫)‪(Porwal et al. 2018‬‬
‫‪ non-leakage condition‬طبقهبندی میشوند‪.‬‬
‫محل نشت بر اساس یک فرآیند تکرار و با استفاده از مقادیر فشار‬
‫شناسایی میشود‪ .‬ابتدا کل شبکه به دو ناحیه با و بدون نشت‬ ‫شبکههای عصبی مصنوعی‪،‬‬
‫تقسیم میشود‪ .‬سپس ناحیهای که نشت دارد‪ ،‬دوباره به دو ناحیه با‬ ‫نظریه گرافها‪،‬‬ ‫)‪(Shekofteh et al. 2020‬‬
‫و بدون نشت تقسیم میشود و این کار آنقدر ادامه مییابد تا محل‬ ‫الگوریتم ژنتیک‬
‫نشت دقیقا مشخص شود‪.‬‬

‫‪ -6-3‬تشخیص رویداد آلودگی‬

‫تشخیص آلودگی معموالً توسط حسگرهای کیفی موجود در شبکه انجام میشود‪ .‬در این راستا انتخاب تعداد و محل‬
‫حسگرها یکی از مسائل متداول در شبکههای توزیع آب است (‪ .)Geranmehr and Yousefi-Khoraem 2020‬در‬
‫این نوع مطالعات شناسایی مستقیم آالیندهها توسط حسگرها از فرضیات اصلی است‪ .‬درحالیکه در عمل به دلیل وجود‬
‫انواع مختلف آالینده‪ ،‬این موضوع کاربردی نخواهد بود‪ .‬زیرا هیچ حسگری قادر نیست همه انواع آالیندهها را تشخیص‬
‫دهد‪ .‬در این راستا‪ ،‬شناسایی رفتار غیر طبیعی سیستم از طریق پارامترهای مرسوم کیفیت آب (مثل کدورت‪ ،‬هدایت‬
‫الکتریکی‪ ،‬و دما) پیشنهاد شده است (‪ .)Housh and Ostfeld 2015‬مدلهای مبتنی بر یادگیری ماشین مثل شبکههای‬
‫عصبی مصنوعی و ماشینهای بردار پشتیبان‪ ،‬عملکرد خوبی در این زمینه داشتهاند ( ;‪Oliker and Ostfeld 2013‬‬
‫‪.)Tinelli and Juran 2019; Wang et al. 2018; Zou et al. 2019‬‬

‫‪ -7-3‬تشخیص منبع آلودگی‬

‫سیار‪20‬‬‫تشخیص محل و منبع ورود آلودگی به شبکه‪ ،‬میتواند بر اساس دادههای دریافتی از حسگرهای کیفی ثابت و یا‬
‫در شبکه و به کمک روشهای مبتنی بر یادگیری ماشین انجام شود‪ .‬معموالً در این روش ها ابتدا با استفاده از شبیهساز‬
‫هیدرولیکی و کیفی و بر اساس مجموعهای از آلودگیهای ورودی و تصادفی‪ ،‬یک مدل مبتنی بر یادگیری ماشین تهیه‬
‫می شود‪ .‬در ادامه از این مدل برای تشخصی منبع ورود آلودگی در شرایط واقعی استفاده میشود‪Rutkowski and ( .‬‬
 ‫سومین کنگره علوم و مهندسی آب و فاضالب ایران‬
‫دانشگاه شیراز‬
1399 ‫ آذرماه‬6 ‫ الی‬4

)Prokopiuk 2018; Sankary and Ostfeld 2019; Sun et al. 2019

‫ نتیجهگیری‬-4
‫ در حال‬.‫ برخی کاربردهای اصلی روشهای مرسوم به یادگیری ماشین در شبکههای توزیع آب مرور شد‬،‫در این مقاله‬
،‫ یادگیری ماشین یکی از علوم بهروز و روبهرشد در جهان بوده و توسعه استفاده از آن در مسائل مهندسی‬،‫حاضر‬
‫ اغلب با پیچیدگی زیادی همراه بوده و ابزارهای یادگیری‬،‫ مسائل مرتبط با شبکه های توزیع آب‬.‫اجتنابناپذیر است‬
‫ سرعت باال به ویژه در محاسبات آنالین و‬،‫ از مزایای کلی این ابزارها‬.‫ماشین میتواند کمک بسزایی در این زمینه باشد‬
‫ محدودیت استفاده برای یک شبکه خاص و شرایط ویژهای که فرآیند‬،‫ در مقابل‬.‫لحظهای در شبکههای بزرگ است‬
‫ همچنین برای استفاده از‬.‫ از معایب اصلی روشهای مبتنی بر یادگیری ماشین میباشد‬،‫آموزش برای آن صورت گرفته‬
‫ در هر‬.‫ معموالً به دادههای زیادی نیاز است که مستلزم وجود حسگر در شبکه توزیع آب و ثبت دادههاست‬،‫این روشها‬
‫ نیاز به پژوهشهای بیشتر‬،‫ به نظر میرسد استفاده عملی از آن‬،‫حال با توجه به پیچیدگی و بین رشتهای بودن این دانش‬
.‫و سعی و خطاهای عملی دارد‬

‫ پینوشتها‬-5

1- Machine Learning 11- Clustering

2- Decision Tree 12- Reinforcement Learning
3- Artificial Neural Network (ANN) 13- Big Data
4- Deep Learning 14- MATLAB
5- Support Vector Machine (SVM) 15- Python
6- Bayesian Network 16- Multi-Layer Perceptron
7- Supervised Learning 17- Radial Basis Function
8- Regression 18- Adaptive Neuro-Fuzzy Inference System
9- Classification 19- Kernel
10- Unsupervised Learning 20- Mobile Sensors

‫ مراجع‬-6

− Adamowski, J. (2008). "Peak Daily Water Demand Forecast Modeling Using Artificial Neural
Networks." Journal of Water Resources Planning and Management, 134(2), 119-128.
− Al-Zahrani, M., and Abo-Monasar, A. (2015). "Urban Residential Water Demand Prediction Based
on Artificial Neural Networks and Time Series Models." Water Resources Management, 29(10), 3651-
3662.
− Andrade, M., Choi, C., Lansey, K., and Jung, D. (2016). "Enhanced Artificial Neural Networks
Estimating Water Quality Constraints for the Optimal Water Distribution Systems Design." Journal of
Water Resources Planning and Management, 04016024.
− Behboudian, S., Tabesh, M., Falahnezhad, M., and Ghavanini, F. A. (2014). "A long-term prediction
of domestic water demand using preprocessing in artificial neural network." Journal of Water Supply:
Research and Technology - AQUA, 63(1), 31-42.
− Bowden, G. J., Nixon, J. B., Dandy, G. C., Maier, H. R., and Holmes, M. (2006). "Forecasting chlorine
residuals in a water distribution system using a general regression neural network." Mathematical and
Computer Modelling, 44(5), 469-484.
− da Silva, I. N., Hernane Spatti, D., Andrade Flauzino, R., Liboni, L. H. B., and dos Reis Alves, S. F.
(2017). Artificial Neural Networks, Springer International Publishing, Cham.
 ‫سومین کنگره علوم و مهندسی آب و فاضالب ایران‬
‫دانشگاه شیراز‬
1399 ‫ آذرماه‬6 ‫ الی‬4

− Dridi, L., Mailhot, A., Parizeau, M., and Villeneuve, J.-P. (2009). "Multiobjective Approach for Pipe
Replacement Based on Bayesian Inference of Break Model Parameters." Journal of Water Resources
Planning and Management, 135(5), 344-354.
− Gagliardi, F., Alvisi, S., Franchini, M., and Guidorzi, M. (2017). "A comparison between pattern-
based and neural network short-term water demand forecasting models." Water Supply, 17(5), 1426-1435.
− Geranmehr, M., and Yousefi-Khoraem, M. (2020). "Optimal Quality Sensor Placement in Water
Distribution Networks under Temporal and Spatial Uncertain Contamination." Journal of Water and
Wastewater; Ab va Fazilab ( in persian ).
− Grąbczewski, K. (2014). Meta-Learning in Decision Tree Induction, Springer International
Publishing ,Cham.
− Housh, M., and Ostfeld, A. (2015). "An integrated logit model for contamination event detection in
water distribution systems." Water Research, 75, 210-223.
− Kemba, J., Gideon, K., and Nyirenda, C. N. (Year) Published. "Leakage detection in Tsumeb east
water distribution network using EPANET and support vector regression." Proc., 2017 IST-Africa Week
Conference (IST-Africa), 1-8.
− Koski, T., and Noble, J. (2009). Bayesian Networks: An Introduction, Wiley, United Kingdom.
− Leu, S.-S., and Bui, Q.-N. (20" .)16Leak Prediction Model for Water Distribution Networks Created
Using a Bayesian Network Learning Approach." Water Resources Management, 30(8), 2719-2733.
− Lopez Farias, R., Puig, V., Rodriguez Rangel, H., and Flores, J. J. (2018). "Multi-Model Prediction
for Demand Forecast in Water Distribution Networks." Energies, 11(3).
− Oliker, N., and Ostfeld, A. (2013). "Classification - Optimization Model for Contamination Event
Detection in Water Distribution Systems." World Environmental and Water Resources Congress 2013,
626-636.
− Porwal, S., Vijay, M., Jain, S. C., and Botre, B. A. (Year) Published. "A Classification Approach for
Monitoring and Locating Leakages in a Smart Water Distribution Framework." Proc., Smart and Innovative
Trends in Next Generation Computing Technologies, Springer Singapore, 418-429.
− Rao, Z., and Alvarruiz, F. (2007). "Use of an artificial neural network to capture the domain
knowledge of a conventional hydraulic simulation model." Journal of Hydroinformatics, 9(1), 15-24.
− Ridolfi, E ,.Servili, F., Magini, R., Napolitano, F., Russo, F., and Alfonso, L. (2014). "Artificial Neural
Networks and Entropy-based Methods to Determine Pressure Distribution in Water Distribution Systems."
Procedia Engineering, 89, 648-655.
− Rutkowski, T. A., and Prokopiuk, F. (2018). "Identification of the Contamination Source Location in
the Drinking Water Distribution System Based on the Neural Network Classifier." IFAC-PapersOnLine,
51(24), 15-22.
− Sankary, N., and Ostfeld, A. (2019). "Bayesian Localization of Water Distribution System
Contamination Intrusion Events Using Inline Mobile Sensor Data." Journal of Water Resources Planning
and Management, 145(8), 04019029.
− Shekofteh, M., Jalili Ghazizadeh, M., and Yazdi, J. (2020). "A methodology for leak detection in
water distribution networks using graph theory and artificial neural network." Urban Water Journal, 17(6),
525-533.
− Shirzad, A., Tabesh, M., and Farmani, R. (2014). "A comparison between performance of support
vector regression and artificial neural network in prediction of pipe burst rate in water distribution
networks." KSCE J Civ Eng, 18(4), 941-948.
− Steinwart, I., and Christmann, A. (2008). Support Vector Machines, Springer New York, New York,
NY.
− Sun, L., Yan, H., Xin, K., and Tao, T. (2019). "Contamination source identification in water
distribution networks using convolutional neural network." Environmental Science and Pollution Research,
26(36), 36786-36797.
− Tabesh, M., Soltani, J., Farmani, R., and Savic, D. (2009). "Assessing pipe failure rate and mechanical
reliability of water distribution networks using data-driven modeling." Journal of Hydroinformatics, 11(1),
1-17.
− Tinelli, S., and Juran, I. (2019). "Artificial intelligence-based monitoring system of water quality
parameters for early detection of non-specific bio-contamination in water distribution systems." Water
Supply, 19(6), 1785-1792.
 ‫سومین کنگره علوم و مهندسی آب و فاضالب ایران‬
‫دانشگاه شیراز‬
1399 ‫ آذرماه‬6 ‫ الی‬4

− Wachla, D., Przystalka, P., and Moczulski, W. (2015). "A Method of Leakage Location in Water
Distribution Networks using Artificial Neuro-Fuzzy System." IFAC-PapersOnLine, 48(21), 1216-1223.
− Wang, K., Wen, X., Hou, D., Tu, D., Zhu, N., Huang, P., Zhang, G., and Zhang, H. (2018).
"Application of Least-Squares Support Vector Machines for Quantitative Evaluation of Known
Contaminant in Water Distribution System Using Online Water Quality Parameters." Sensors, 18(4).
− Wani, M. A., Bhat, F. A., Afzal, S., and Khan, A. I. (2020). Advances in Deep Learning, Springer
Singapore, Singapore.
− Zhang, Q., Wu, Z., Zhao, M., Qi, J., Huang, Y., and Zhao, H. (2016). "Leakage Zone Identification in
Large-Scale Water Distribution Systems Using Multiclass Support Vector Machines." Journal of Water
Resources Planning and Management, 142(11), 04016042.
− Zou, X.-Y., Lin, Y.-L., Xu, B., Guo, Z.-B., Xia, S.-J., Zhang, T.-Y., Wang, A.-Q., and Gao, N.-Y.
(2019). "A Novel Event Detection Model for Water Distribution Systems Based on Data-Driven Estimation
and Support Vector Machine Classification." Water Resources Management, 33(13), 4569-4581.
 ‫سومین کنگره علوم و مهندسی آب و فاضالب ایران‬
‫دانشگاه شیراز‬
1399 ‫ آذرماه‬6 ‫ الی‬4

1390O-IWWA

A review of using machine learning in water distribution networks

Mahsa Samadi1*, Reza Teheri2, Mohammadali Geranmehr3

1- M.Sc. in Civil Engineering (majoring in Water Resources Engineering),

Civil Engineering Department, Isfahan University of Technology
(Corresponding Author) m.samadi@alumni.iut.ac.ir

2- B.Sc. in Civil Engineering, Civil Engineering Department, Isfahan University of

Technology, mr.rezataheri@gmail.com

3- Ph.D. in Civil Engineering (Majoring in Water Resources Engineering),

Civil Engineering Department, Isfahan University of Technology
ma.geranmehr@alumni.iut.ac.ir

Abstract
Machine Learning is considered to be one of the artificial intelligence branches that aims to provide
appropriate and proficient algorithms and methods for understanding the complicated relationship between
available data and systems by the machine. Nowadays, the use of machine learning tools has become
prevalent in various fields such as Water Resources Management, and it is a pioneering field in science.
One of the most significant applications of these tools in water and wastewater-related issues is the use of
numerous issues related to water distribution networks as a complex system. In this paper, at first, different
and standard machine learning tools are briefly introduced. In the following, some applications of these
tools for solving problems related to water resources management, water distribution networks are
considered and reviewed, such as water demand prediction, hydraulic simulation, pipe failure rate
estimation, leak detection, quality simulation, contaminant event detection, and contamination source
detection. This paper could be an introduction to the future and applied research.

Keywords: Water resources management, Water distribution networks, machine learning, artificial
neural networks, support vector machines.