مديريت و تحليل غيرخطي سيستم گندزدايي شبكه‌هاي توزيع آب با استفاده از روش‌هاي داده‌محور

Management and Nonlinear Analysis of Disinfection System of Water Distribution Networks Using Data Driven Methods

به‌منظور تأمين آب آشاميدني سالم و حذف عوامل بيماري‌زا در شبكه‌هاي توزيع آب، از واحد كلرزني استفاده مي‌شود. يكي از شيوه‌هاي مناسب براي تحليل عملكرد كلر درون شبكه آبرساني، استفاده از روش‌هاي داده‌محور است. در پژوهش حاضر شبكه عصبي پرسپترون چندلايه (MLP) با سه الگوريتم آموزش كاهش شيب، شيب مزدوج و BFGS به همراه ماشين‌بردار پشتيبان (SVM) با تابع كرنل RBF در برآورد غلظت كلر باقيمانده در شبكه‌هاي آبرساني احمدآباد دئفه و اهروييه واقع در استان كرمان مورد استفاده قرار گرفت. در اين پژوهش داده‌هاي روزانه شامل دبي آب توليدي، مصرف كلر و كلر باقيمانده از ابتداي سال 1391 تا پايان 1393 به‌مدت 3 سال به‌كار گرفته شد. به‌منظور ارزيابي عملكرد مدل‌هاي مورد بررسي از معيارهاي راندمان نش‌ساكليف(NS)، ريشه ميانگين مربعات خطا (RMSE)، ميانگين درصد خطاي مطلق (MAPE) و ضريب همبستگي (CORR) استفاده شد. اين مقادير در بهترين حالت مدل‌سازي به‌ترتيب برابر با 0/9484، 0/0255، 1/081 و 0/974 بودند. با توجه به معيارهاي ارزيابي، مدل MLP با الگوريتم BFGS در 90 درصد و با الگوريتم شيب مزدوج در 10 درصد موارد نسبت به نتايج كل مدل‌ها برتري داشتند، در حالي كه مدل MLP بر پايه الگوريتم كاهش شيب و مدل SVM در هيچ يك از موارد برتر نبوده‌اند. با توجه به نتايج حاصل از پژوهش حاضر، مديريت مناسب غلظت كلر را مي‌توان با توجه به مقادير پيش‌بيني شده ميزان كلر باقيمانده، در شبكه آبرساني اعمال نمود به‌طوري كه كاهش عملكرد شبكه پرسپترون و ماشين‌بردار پشتيبان در شبكه آبرساني اهروييه نسبت به شبكه احمدآباد دئفه را مي‌توان ناشي از مديريت ناصحيح كلرزني دانست.

Chlorination unit is widely used to supply safe drinking water and removal of pathogens from water distribution networks. Data-driven approach is one appropriate method for analyzing performance of chlorine in water supply network. In this study, multi-layer perceptron neural network (MLP) with three training algorithms (gradient descent, conjugate gradient and BFGS) and support vector machine (SVM) with RBF kernel function were used to predict the concentration of residual chlorine in water supply networks of Ahmadabad Dafeh and Ahruiyeh villages in Kerman Province. Daily data including discharge (flow), chlorine consumption and residual chlorine were employed from the beginning of 1391 Hijri until the end of 1393 Hijri (for 3 years). To assess the performance of studied models, the criteria such as Nash-Sutcliffe efficiency (NS), root mean square error (RMSE), mean absolute percentage error (MAPE) and correlation coefficient (CORR) were used that in best modeling situation were 0.9484, 0.0255, 1.081, and 0.974 respectively which resulted from BFGS algorithm. The criteria indicated that MLP model with BFGS and conjugate gradient algorithms were better than all other models in 90 and 10 percent of cases respectively; while the MLP model based on gradient descent algorithm and the SVM model were better in none of the cases. According to the results of this study, proper management of chlorine concentration can be implemented by predicted values of residual chlorine in water supply network. Thus, decreased performance of perceptron network and support vector machine in water supply network of Ahruiyeh in comparison to Ahmadabad Dafeh can be inferred from improper management of chlorination.