استفاده از مدل جایگزین شبکه عصبی مصنوعی به‌منظور کاهش محاسبات شناسایی نشت در شبکه‌های آبرسانی

دستیابی به پارامترهای نشت در روش تحلیل معکوس جریان گذرا (ita )به صورت معکوس و با حل یک مسئله برنامه‌ریزی غیرخطی توسط الگوریتم‌های فراکاوشی همچون الگوریتم ژنتیک (ga )انجام می‌شود. با وجود توانایی بالای روش ita در یافتن پارامترهای نشت، استفاده از الگوریتم ga در این روش سبب می‌شود تا از نظر کارایی محاسباتی، نیازمند صرف هزینه و زمان محاسباتی زیادی باشد. دلیل این امر را می‌توان ماهیت حرکات تصادفی و تکاملی تدریجی الهام گرفته شده از طبیعت در الگوریتم ga دانست. در این پژوهش با هدف افزایش راندمان محاسباتی، استفاده از مدل‌های جایگزین در بخش فرایند بهینه‌سازی روش ita پیشنهاد می‌شود. مدل جایگزین در واقع نمونه شبیه‌سازی شده مدل اصلی بوده که قادر است مقدار تقریبی تابع هدف را در کسری از ثانیه محاسبه کند. نحوه به کارگیری این مدل‌ها در فرایند بهینه‌سازی در موفقیت استفاده از این روش‌ها تاثیر بسزایی دارد. در همین راستا دو الگوریتم دارای مدل جایگزین مبتنی بر اعضای جمعیت با عناوین(ps )strategy selectionpre و bs) strategy best) معرفی می‌شوند. به منظور ارزیابی و مقایسه نتایج، از یک شبکه آبرسانی با هدف یافتن پارامترهای نشت استفاده شده است. نتایج، افزایش راندمان محاسباتی را نسبت به استفاده از الگوریتم ga در روش ita نشان دادند. الگوریتم ps توانست با کاهش 58 %میزان تابع هدف و صرفه‌جویی زمان محاسباتی 78 %نسبت به الگوریتم ga بهترین عملکرد را به خود اختصاص دهد.

Using Artificial Neural Network surrogate model to reduce the calculations of leak detection in water distribution networks

The leak detection parameters in the inverse transient analysis (ITA) are obtained in an inverse approach by solving a nonlinear programming problem using metaheuristic algorithms such as genetic algorithms (GA). Beside its high capability in deriving the leak detection parameters, the ITA method is computationally complex and costly. Applying optimization techniques like GA can reduce the complexcity of the ITA method. This study aims to increase the computational efficiency by employing surrogate models in the optimization process of the ITA method. The surrogate model is in fact a simulated sample of the main model capable of approximately calculating the objective function in a fraction of a second. The way these models are integrated into the optimization model highly affects their success or failure. To this end, two algorithms incorporating populationbased surrogate models, namely (Preselection Strategy) PS and (Best Strategy) BS, were presented. To evaluate and compare the results, a distribution network was used to identify the leak detection parameters. The results indicated an increase in the computational efficiency compared to the ITA method integrated with the GA. The PS algorithm demonstrated the highest performance by reducing the objective function and time complexity by 58% and 78%, respectively.