بررسی کارایی شبکه عصبی مصنوعی در پیش بینی فشار در شبکه آب شهری

شبکه های آبرسانی از مهم‌ترین زیرساخت های شهری چه از منظر مهندسی و مدیریت منابع آب و چه ازلحاظ بهداشتی و رفاهی هستند. توسعه شهرها، رشد جمعیت و افزایش نیاز آبی، باعث حساسیت بیشتری در مدیریت و مهندسی کمی و کیفی شبکه‌های آب شهری شده است. انتقال آب به دست مصرف‌کننده مشکلاتی چون هدر رفتن آب و کاهش سطح کیفی آب را در بر دارد. با افزایش تقاضا، فشار در گره‌ها و لوله ها بالا می‌رود که باعث نشت و شکستگی و در نتیجه هدر رفتن آب می شود. فرسوده شدن شبکه و تغییرات اقلیمی نیز باعث نشت و خرابی در شبکه می شود. افزایش نیاز جایگزینی و تعمیر لوله ها با هزینه های زیادی همراه است. مدیریت هوشمند می‌تواند به کمک مشکلات کمی و کیفی آب و همچنین کاهش هزینه ها شود. امروزه به دلیل حجم بالای داده‌ها و روابط پیچیده در پیش‌بینی آن‌ها، کاربرد هوش مصنوعی(ai) افزایش چشمگیری داشته است. در این مقاله، الگوریتم‌ یادگیری ماشین (ml)، شبکه عصبی مصنوعی (ann)، برای پیش‌بینی فشار آب اعمال شده است. برای شبیه‌سازی و بررسی رفتار هیدرولیکی آب در شبکه از نرم‌افزار epanet استفاده شده است. همچنین ارتباط بین نرم‌افزار matlab و نرم‌افزار epanet به کمک کتابخانه پویا (dll) امکان‌پذیر است. الگوریتم ann عملکرد بالایی (99/0r=) در پیش‌بینی فشار در شبکه نشان داد.

efficiency evaluation of artificial neural network in predicting pressure in urban water network

water distribution networks are among the most important urban infrastructures, both in terms of engineering and water resource management, as well as in terms of health and welfare. the development of cities, population growth, and increasing water demand have led to increased sensitivity in the management and quantitative and qualitative engineering of urban water networks. water transfer to consumers involves issues such as water loss and a decrease in water quality. with increased demand, pressure in nodes and pipes increases, leading to leakage, breakage, and ultimately water loss. aging networks and climate change also contribute to leakage and network damage. the increasing need for pipe replacement and repairs comes with high costs. smart management can help address water quantity and quality issues, as well as reduce costs. today, due to the large volume of data and complex relationships in their prediction, the application of artificial intelligence (ai) has had a significant increase. in this article, machine learning (ml) algorithms and artificial neural networks (ann) have been employed to predict water pressure. the epanet software has been used to simulate and examine the hydraulic behavior of water in the network. additionally, the connection between matlab and epanet is possible using a dynamic link library (dll). the ann algorithm has shown high performance (r-squared = 0.99) in predicting pressure in the network.