استخراج الگوهای بهره‌برداری با درنظرگرفتن خطای میراب در تنظیم سازه‌ها در شبکه‌های آبیاری

بهره‌برداری سازه‌ها در کانال‌های انتقال و توزیع آب سنتی به‌صورت دستی و با استفاده از تجربه میراب انجام می‌شود. استخراج الگوهای بهره‌برداری در این کانال‌ها موضوع مهمی است که در پژوهش‌های اخیر نیز با استفاده از هوش مصنوعی، استخراج شده است. یکی از خطاهایی که در هنگام تنظیم سازه‌ها اتفاق می‌افتد، خطای ناشی از تنظیم سازه‌ها توسط میراب می‌باشد. بدین معنی که همواره، مقدار استخراج‌شده را میراب اعمال نکرده و مقداری خطا در تنظیم سازه‌ها اعمال می‌کند. این موضوع و تاثیرات آن در پژوهش‌های قبلی موردمطالعه قرار نگرفته است. در این پژوهش، توانایی الگوریتم یادگیری تقویتی در استخراج الگوهای بهره‌برداری با لحاظ‌کردن خطای میراب که حداکثر 10 درصد است، به‌صورت تصادفی بررسی شده است. جهت شبیه‌سازی کانال موردمطالعه، که بخشی از کانال دز از شبکه آبیاری دز در شمال استان خوزستان است، از یک مدل غیرخطی استفاده شده است. نتایج نشان داد که دقت الگوهای استخراج شده زیاد است، به‌طوری‌که ارزش عمل‌های انتخاب‌شده به‌طور عمده برابر با 0.9 می‌باشد. هم‌چنین، تعداد تکرارها برای رسیدن به پاسخ برابر با 650 تکرار بود.

determining operational patterns considering operator’s error in structures settings in irrigation networks

structures operation in traditional water conveyance and distribution canals is manually done using operators’ experience. determining operational patterns in these canals is an important issue done in recent studies using artificial intelligence. one of the errors occurring during the settings of the structure is the operators’ error applying some errors as they operate the determined setting. this issue and its effect hasn’t been investigated in the previous research so far. in this research, the reinforcement learning model was used to determine the operational patterns considering the operator errors of five percent and 10 percent applied randomly. a non-linear model of the studied canal that is the e1r1 canal as a part of dez network located in the north of khuzestan was employed to simulate. the results showed that reinforcement learning can accurately determine the operational patterns with a maximum iteration of 650 so that the action values are more than 0.9 in most cases.