افزایش راندمان محاسباتی روش نشت‌یابی تحلیل معکوس جریان گذرا با استفاده از مدل جایگزین کریجینگ

روش تحلیل معکوس جریان گذرا (ita)، یکی از روش‌های موفق در زمینه شناسایی نشت در شبکه‌های آبرسانی است. با این وجود دستیابی به پارامترهای مجهول نشت مانند تعداد، مکان و مساحت نشت‌ها در این روش به‌دلیل استفاده از الگوریتم‌های فراکاوشی مانند الگوریتم ژنتیک (ga) نیازمند صرف هزینه و زمان محاسباتی زیادی است. هدف از این پژوهش ارائه راهکاری است که با حفظ ساختار محاسبات ita، دقت و سرعت دسترسی به نتایج نیز افزایش یابد. در این پژوهش راهکار استفاده از مدل‌های جایگزین در فرایند بهینه‌سازی روش ita مطرح شد. این مدل‌ها با تقلید از رفتار تابع هدف اصلی، تلاش می‌کنند با هزینه محاسباتی اندک، تا حد امکان بیشترین شباهت رفتاری را نسبت آن داشته باشند. در همین راستا الگوریتم بهینه‌سازی جدیدی بر پایه مدل جایگزین کریجینگ تحت عنوان الگوریتم ga-kriging معرفی شد. در این الگوریتم با استفاده از ویژگی ساختاری مدل جایگزین کریجینگ و ارائه شاخصی به نام ei اصلاحاتی در انتخاب فرزندان الگوریتم ga انجام شد. به‌منظور ارزیابی الگوریتم ga-kriging و مقایسه عملکرد آن با الگوریتم ga، از یک شبکه آبرسانی مرجع با هدف یافتن نشت استفاده شد. نتایج نشان داد که الگوریتم ga-kriging با 52 درصد دقت بیشتر نتایج به‌دست آمده و صرفه‌جویی زمان محاسباتی به اندازه 75 درصد، نسبت به الگوریتم ga کارایی محاسباتی بیشتری دارد. این پژوهش نشان داد که استفاده مناسب از مدل‌های جایگزین در فرایند بهینه‌سازی می‌تواند سبب هوشمندتر شدن محاسبات، کاهش محاسبات تکراری و در نهایت، افزایش کارایی محاسباتی شود.

Increasing Computational Efficiency of Inverse Transient Analysis for Leak Detection using GA-Kriging Surrogate Model

The inverse transient analysis (ITA) method is amongst the successful leak detection methods in water distribution networks. However, determining the unknown leakage parameters such as number, location, and area of leakages is computationally timeconsuming and costly due to applying metaheuristic algorithms, like the genetic algorithm (GA). This study aimed to present a novel approach to resolve this issue in order to enhance the accuracy and speed of the ITA method while maintaining its computational structure. In this research, surrogate models were incorporated in the optimization process of the ITA method. Mimicking the behavior of the objective function, surrogate models attempt to represent the most similar behavior at a low computational cost. In this regard, a new optimization algorithm based on the Kriging surrogate model, called GAKriging was proposed. In this algorithm, according to the structural characteristics of the Kriging surrogate model, an EI index was presented to modify the offspring selection scheme in GA. In order to evaluate the GAKriging algorithm and compare its performance with the conventional GA, a reference water distribution network was considered for leak detection. The accuracy and computational efficiency of the results in the GAKriging algorithm were 52% and 75% higher than those of the conventional GA, respectively. The present study concluded that appropriate incorporation of surrogate models in the optimization process can make the computations more intelligent, reduce repeated computations and, ultimately, increase computational efficiency.