یافتن محل دو نشت همزمان در شبکه توزیع آب با استفاده از شبکه‌های عصبی مصنوعی پیش خور ترکیبی

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 نشت ها 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.

detection of two simultaneous leakages in water distribution network using hybrid feedforward artificial neural networks

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.