یادگیری نظارت‌شده در مدیریت بهره‌برداری از کانال‌های آبیاری

با توجه به نیاز روزافزون به آب به‌دلیل رشد روز افزون جمعیت، افزایش نیاز به غذا، شهرنشینی و صنعت، فشار بر روی منابع آب زیاد است. مدیریت بهینه آب در شبکه کانال‌ها می‌تواند نقش موثری در کاهش این فشار باشد. بررسی ادبیات پژوهش نشان می‌دهد که روش ماشین بردار پشتیبان، به‌عنوان یکی از روش‌های هوشمند، برای مدیریت بهینه آب در شبکه کانال‌ها کم‌تر موردتوجه قرار گرفته است. در این پژوهش، روش ماشین بردار پشتیبان برای مدیریت بهره‌برداری کانال عقیلی شرقی مورداستفاده قرار گرفت و با درنظرگرفتن دبی آبگیرها به‌عنوان ورودی و بازشدگی آن‌ها به‌عنوان خروجی به‌طوری‌که عمق آب در عمق هدف بماند، آموزش ماشین بردار پشتیبان صورت گرفت. در گام بعدی، پیش‌بینی برای حالت‌های مختلف صورت گرفت و با استفاده از مدل هیدرودینامیک، شبیه‌سازی کانال انجام شد و سنجه‌های ارزیابی عدالت، پایداری، راندمان و کفایت محاسبه شد که به‌ترتیب کوچک‌تر از 0.1، کوچک‌تر از 0.1، بزرگ‌تر از 0.85 و بزرگ‌تر از 0.9 به‌دست آمد. نتایج کاربرد ماشین بردار با نتایج شبکه عصبی مصنوعی مقایسه شد که نشانگر برتری ماشین بردار پشتیبان بود.

supervised learning to manage irrigation canals’ operation

due to the ever-increasing need for water due to rapid population growth, increased need for food, urbanization, and industry, the pressure on water resources is high. optimal management of water in the canal networks can play an effective role in reducing this pressure. the research literature review shows that the support vector machine method, as one of the artificial intelligence methods, has received less attention for optimal water management in the canal network. in this research, the support vector machine method was used to manage the operation of the eastern aghili canal, by considering the discharge of the canal as the input and associated gate opening as the output so that the water depth remains at the target depth, the training of the support vector machine was done. in the next step, the prediction was made for different inputs, and canal simulation was done using a hydrodynamic model, and the criteria for evaluation of equity, dependability, efficiency, and adequacy were calculated, which were respectively smaller than 0.1, smaller than 0.1, larger than 0.85, and greater than 0.9. the results of the vector machine were compared with the results of the artificial neural network, which indicated the superiority of the support vector machine.