پیوندهای مفید
آمار
| تعداد نشریات | 9 |
| تعداد شمارهها | 448 |
| تعداد مقالات | 5,740 |
| تعداد مشاهده مقاله | 8,094,924 |
| تعداد دریافت فایل اصل مقاله | 6,586,872 |
یافتن محل دو نشت همزمان در شبکه توزیع آب با استفاده از شبکههای عصبی مصنوعی پیش خور ترکیبی | ||
| نشریه مهندسی عمران امیرکبیر | ||
| دوره 54، شماره 5، مرداد 1401، صفحه 1965-1982 اصل مقاله (2.38 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/ceej.2021.20017.7316 | ||
| نویسندگان | ||
| حمیده فلاحی1؛ محمدرضا جلیلی قاضی زاده* 2؛ بابک امین نژاد3؛ جعفر یزدی4 | ||
| 1دانشجوی دکتری، گروه مهندسی عمران، واحد رودهن، دانشگاه آزاد اسلامی، رودهن، ایران | ||
| 2دانشیار، گروه مهندسی عمران، دانشکده آب و محیط زیست، دانشگاه شهیدبهشتی، تهران، ایران | ||
| 3استادیار گروه مهندسی عمران ، واحد رودهن ، دانشگاه آزاد اسلامی ، رودهن ، ایران. | ||
| 4استادیار، گروه مهندسی عمران، دانشکده آب و محیط زیست، دانشگاه شهیدبهشتی، تهران، ایران | ||
| چکیده | ||
| نشت یکی از چالشهای اساسی در بهرهبرداری از شبکههای توزیع آب است. در این پژوهش با استفاده از شبکههای عصبی مصنوعی پیشخور (Feedforward) به تعیین محل نشتها در شبکههای توزیع آب پرداخته شده است. برای این منظور، دو سناریو در آموزش شبکههای عصبی در نظر گرفته شده است. در سناریو اول دو نشت همزمان با مقادیر برابر و در سناریو دوم دو نشت همزمان اما با مقادیر نابرابر در هر یک از دو گره شبکه قرار داده شده است. دادههای آموزش با استفاده از نرمافزار شبیهساز هیدرولیکی EPANET2.0 در محیط MATLAB به دست آمده است. در هر یک از دو سناریو، ابتدا شبکههای عصبی با استفاده از مقدار دبی کل لولهها آموزش میبینند. سپس تحلیل حساسیت توسط شبکههای عصبی مصنوعی ترکیبی به ازای مقدار دبی درصدهای مختلف لولهها انجام میشود. نتایج شبکههای عصبی ترکیبی پیشنهادی نشان میدهد که در سناریو اول با داشتن دبی 10% لولهها موقعیت دو نشت همزمان با موفقیت قابل تعیین است. در سناریو دوم، مادامی که اختلاف مقدار دو نشت کمتر از 80% نشت بیشینه است (تا نسبتهای 10 و 90 درصد) با داشتن دبی 10% لولهها، موقعیت هر دو نشت با موفقیت تعیین میگردد. اما برای اختلافهای بیشتر، فقط محل نشت بزرگتر قابل تعیین است. علیرغم پیچیدگیهای سناریوی دوم، شبکههای عصبی پیشنهادی نشتهای بزرگتر را با موفقیت تشخیص میدهند. | ||
| کلیدواژهها | ||
| نشتیابی؛ شبکه عصبی مصنوعی پیشخور؛ دبی؛ EPANET2.0؛ شبکههای توزیع آب | ||
| موضوعات | ||
| سیستم های انتقال آب؛ شبکه های عصبی؛ مدیریت منابع آب | ||
| عنوان مقاله [English] | ||
| Detection of two simultaneous leakages in water distribution network using hybrid feedforward artificial neural networks | ||
| نویسندگان [English] | ||
| Hamideh Fallahi1؛ Mohammadreza Jalili Ghazizadeh2؛ Babak Aminnejad3؛ Jafar Yazdi4 | ||
| 1Ph.D. Student, Department of Civil Engineering, Roudehen Branch, Islamic Azad University, Roudehen, Iran | ||
| 2Associate Professor, Department of Civil Engineering, Faculty of Water and Environmental Engineering, Shahid Beheshti University, Tehran, Iran | ||
| 3Assistant Professor, Department of Civil Engineering, Roudehen Branch, Islamic Azad University, Roudehen, Iran | ||
| 4Assistant Professor, Department of Civil Engineering, Faculty of Water and Environmental Engineering, Shahid Beheshti University, Tehran, Iran | ||
| چکیده [English] | ||
| Leakage is one of the main challenges in the operation of water distribution networks. In the present study, leakage is detected using Feedforward Artificial Neural Networks (ANNs). For this purpose, two scenarios are considered for training the ANNs. In the first scenario, two simultaneous leakages with equal values, and in the second scenario, two simultaneous unequal leakages are applied to each pair-node of a network. The training data are analyzed by EPANET2.0 hydraulic simulation software linked with the MATLAB programming language. In both scenarios, first, ANNs are trained using flow rates of total pipes number. Then, sensitivity analysis is performed by Hybrid ANNs for the flow rates of different percent of pipes numbers. The results of the proposed Hybrid ANNs indicate that in the first scenario, by having the flow rates of 10% of the total pipes, the locations of two simultaneous leakages are successfully determined. However, for the second scenario, while the difference between the two leakages is less than 80% of the maximum leakage (up to ratio value of 10 and 90 % leakages), by having 10% of the total pipes flow rates, the locations of the two leakages are still successfully determined. However, for larger differences, only the location of the bigger leak could be detected. Despite the complexities of the second scenario, the proposed ANNs could successfully detect the location of the bigger leakage. | ||
| کلیدواژهها [English] | ||
| Leakage detection, Feedforward artificial neural network, Discharge, EPANET2.0, Water distribution networks | ||
| 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. [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, 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 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. [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). [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 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). [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. [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). [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). | ||
|
آمار تعداد مشاهده مقاله: 1,052 تعداد دریافت فایل اصل مقاله: 1,435 |
||