تحلیل حساسیت پارامترهای موثر بر هزینه سامانه های آبیاری قطره ای با استفاده از الگوریتم های فراابتکاری

این پژوهش با هدف تعیین موثرترین ویژگی‌ها بر هزینه سامانه‌های آبیاری قطره‌ای در چهار بخش شامل هزینه ایستگاه پمپاژ و سیستم کنترل مرکزی (tcp)، هزینه لوازم داخل مزرعه (tcf)، هزینه نصب و اجرای داخل مزرعه و ایستگاه پمپاژ (tci) و هزینه کل (tct) انجام شد. ابتدا داده‌ها و اطلاعات 100 پروژه آبیاری قطره‌ای اجراشده در نقاط مختلف کشور، جمع‌آوری گردید و بانک اطلاعاتی شامل 39 متغیر مهم و تاثیرگذار در هزینه بخش‌های ذکرشده، تهیه شد. بر اساس تحلیل حساسیت انجام‌شده، بهترین معیارهای ارزیابی در بخش tcp به دست آمد و مقدار عددی آماره گاما، خطای مطلق قابل انتظار، آماره گرادیان، خطای استاندارد آماره گاما، ضریب تبیین و شاخص vratio به ترتیب برابر با 0/048، 0/219، 0/008، 0/024، 0/87 و 0/192 ثبت شد که این بیانگر همبستگی بالای متغیرهای مورد مطالعه با هزینه بخش مذکور است. برای یافتن ترکیب بهینه از داده‌ها جهت مدل‌سازی هزینه‌، از سه روش الگوریتم ژنتیک (ga)، تپه‌نوردی (hc) و تعبیه کامل (fe) استفاده شد. نتایج این بخش نشان داد که تعداد متغیرهای مورد نیاز و ترکیب بهینه ورودی که در روش‌های ga و hc به ترتیب حدود 40 درصد و 90 درصد از متغیرها (به ترتیب 16 و 35 متغیر) در امر مدل‌سازی دخیل بودند، در روش fe به 20 درصد رسیده و فقط هشت متغیر جهت مدل‌سازی هزینه انتخاب شده است که نتایج این روش به عنوان مدل برتر انتخاب گردید. همچنین نتیجه مدل هیبرید نشان داد زمانی که از پنج متغیر qt (l/s) (مقدار کل دبی آب قابل دسترس)، sr (m) (فاصله ردیف گیاهان)، qe (l/s) (دبی گسیلنده)، t (h) (تعداد ساعات کاری در شبانه‌روز) و nit (n) (تعداد نوبت‌های آبیاری) به عنوان ترکیب بهینه ورودی جهت مدل‌سازی هزینه سامانه‌های آبیاری قطره‌ای استفاده شود، ساده‌ترین و بهینه‌ترین مدل به دست می‌آید. ب

Sensitivity Analysis of Parameters Affecting the Early Cost of Drip Irrigation Systems Using Meta-Heuristic Algorithms

, this study aims to determine the most effective features on the cost of drip irrigation systems in four parts, including the Cost of pumping station and central control system (TCP), Cost of onfarm equipment (TCF), Cost of installation and operation onfarm and pumping station (TCI) and Total cost (TCT). First, data of 100 drip irrigation projects implemented in different parts of the country were collected and it was prepared a database containing 39 important and influential variables in the cost of the mentioned parts. Based on the sensitivity analysis, the best evaluation criteria were obtained in TCP and the numerical amount of gamma statistic, Expected Absolute Error, Gradient statistic, Standard Error of Γ, coefficient of determination (R2), and VRatio index were recorded as 0.048, 0.219, 0.008, 0.024, 0.87 and 0.192, respectively, which indicate the high correlation between the experimental variables and the cost of the corresponded sector. To find the optimal combination of data for cost modeling, we used Genetic Algorithm (GA), Hill Climbing (HC), and Full Embedding (FE). The results showed that the number of required variables and the optimal input combination, which covered 40 and 90% of the variables (16 and 35 variables, respectively) in GA and HC method reached 20% in the FE method and only eight variables were selected for cost modeling and also the results of this method were selected as the superior model. Moreover, the result of the hybrid model revealed the simplest and most optimal model was obtained when QT (l/s) (total amount of available water flow), SR (m) (plant row spacing), QE (l/s) (emitter flow), T (h) (number of working hours per day) and NIT (n) (number of irrigation shifts) were used as the optimal input combination to modeling the cost of drip irrigation systems.