استفاده از رویکرد یادگیری ماشین در پیش‌بینی فشار در شبکه های آب شهری؛ مطالعه موردی الگوریتم‌های svr و gp

میزان جمعیت، وضعیت اقلیمی، بالا رفتن سطح بهداشت و اقتصاد، فرهنگ جامعه، اهمیت یافتن بیشتر کیفیت آب، مهاجر‌پذیری، سیاست های مدیریت تقاضا و مصرف، عمر شبکه و کیفیت اجرای آن، نوع کاربری و گوناگونی آن، تعداد اعضای هر خانه و سن افراد خانه در میزان تقاضای آب موثرند. افزایش فشار در گره‌ها و لوله ها منجر به نشت و شکستگی در آن‌ها و در نتیجه باعث هدر رفتن آب در شبکه می شود که تعمیر لوله ها و شبکه با هزینه های زیادی همراه است. مدیریت هوشمند صحیح برای به حداقل رساندن هزینه ها و مدیریت بهینه سامانه‌های آبرسانی است. برای کاهش هزینه های تخمین و پیش بینی می توان از هوش مصنوعی (ai) بهره گرفت. در این مقاله، الگوریتم‌های یادگیری ماشین (ml) مانند برنامه‌ریزی ژنتیک (gp) و رگرسیون برداری پشتیبان (svr) برای پیش‌بینی فشار آب اعمال شده‌اند. برای شبیه‌سازی و بررسی رفتار هیدرولیکی آب در شبکه از نرم‌افزار epanet استفاده شده است. همچنین ارتباط بین نرم_افزار matlab و نرم‌افزار epanet به کمک کتابخانه پویا (dll) امکان‌پذیر است. الگوریتم های مذکور توانسته‌اند مقادیر فشار در شبکه را با دقت بالایی (98/0

utilizing machine learning approach for pressure prediction in urban water networks a case study of svr and gp algorithms

population size, climate conditions, rising hygiene and economic levels, societal culture, increased importance of water quality, migration, demand management and consumption policies, network lifespan and quality of execution, land use and its diversity, the number of household members and the age of individuals in a household, all have an impact on water demand. increased pressure in nodes and pipes leads to leakage and breakage, resulting in water loss in the network, which requires costly pipe and network repairs. proper smart management is crucial for minimizing costs and optimizing water supply systems. artificial intelligence (ai) can be utilized to reduce estimation and prediction costs. in this article, machine learning algorithms such as genetic programming (gp) and support vector regression (svr) have been applied for predicting water pressure. the epanet software has been used for simulating and examining the hydraulic behavior of water in the network. additionally, the connection between matlab and epanet is possible using a dynamic link library (dll). these mentioned algorithms have been able to accurately predict pressure values in the network with high precision (0.94 < r-squared < 0.98). this article aims to achieve efficient and reliable management of water distribution networks in the future using artificial intelligence technologies and machine learning algorithms.