کاربرد تکنیک نگاشت خود سامان در تشخیص گستره آلودگی تعمدی در شبکه توزیع آب شهری

زمینه و هدف: شبکه‌های توزیع آب به علت گستردگی و در دسترس بودن، مستعد وقوع حملات تروریستی از طریق تزریق مواد سمی هستند. پژوهش حاضر با هدف کاربرد شبکه عصبی غیر نظارت شونده نگاشت خود سامان یا selforganizing map (som) در تشخیص گستره آلودگی تعمدی سم آرسنیک در شبکه توزیع آب شهری تهران صورت گرفت.روش‌ بررسی: بدین منظور، ابتدا وضعیت هیدرولیکی موجود شبکه توزیع آب تحت پوشش مخزن شماره 4 تهران به عنوان پایلوت مدل‌سازی شد. سپس سناریوهای محتمل تزریق آلاینده آرسنیک در نقاط مختلف شبکه توزیع آب با استفاده از تحلیل کیفی شبکه و کاربرد تحلیلگر epanet و با کدنویسی در محیط نرم‌افزار r نگارش شدند. برای یافتن گستره آلودگی به ازای تزریق آرسنیک در زمان‌ها و مکان‌های مختلف در شبکه توزیع آب، از شبکه som استفاده شد.یافته‌ها: میزان غلظت آلودگی در یک نقطه مشخص با گذشت زمان کاهش یافته و میان زمان و غلظت، همبستگی بالایی وجود دارد. همچنین، گستره آلودگی وابسته به میزان مصرف مشترکین و به تبع آن، ساعت تزریق آلودگی است. روش توسعه یافته در پژوهش حاضر 91 درصد با واقعیت تطابق دارد و با سرعت بالا قادر به مشخص نمودن گستره آلودگی در شبکه توزیع آب است.نتیجه‌گیری: تکنیک som می‌تواند به عنوان تکمیل کننده سیستم پایش کیفیت آب و تشخیص آلودگی در شبکه توزیع آب شهری مورد استفاده قرار گیرد تا در کوتاه‌ترین زمان ممکن، به عنوان جایگزین مدل‌سازی کمیکیفی شبکه توزیع آب، گستره آلودگی را در هنگام تشخیص آلودگی احتمالی مشخص نماید.

Self-organizing map neural network application in detecting the extent of intentional pollution in the urban water distribution network

Background and Objective: Water distribution networks are prone to terrorist attacks by injecting toxic substances, due to their vastness and availability. The main objective of this paper was detecting the extent of intentional pollution in the urban water distribution network by selforganizing map (SOM).Materials and Methods: The existing hydraulic condition of the water distribution network covered by reservoir No. 4 in Tehran was modeled as a pilot. Possible injection scenarios of contamination in different parts of the water distribution network were performed using qualitative analysis of the water distribution network, using the EPANET analyzer engine and coding in R software environment. Artificial neural network of SOM was used to find the contamination range for the injection of arsenic at different times and places in the distribution network.Results: The concentration of contamination at a certain point decreased over time and a high correlation was observed between time and concentration. The extent of contamination depended on the consumption of subscribers and consequently, the time of contaminat injection. The results of the artificial neural network model showed that the method developed in this research was 91% accurate and was able to determine the extent of contamination in the water distribution network at high speed. Conclusion: SOM can be used as a complement to the water quality monitoring and pollution detection system in the urban water distribution network to determine the extent of pollution when detecting potential pollution in the shortest possible time, and as an alternative to quantitativequalitative modeling of the water network.