پديد آورندگان :
حسينقلي، پگاه دانشگاه اصفهان - دانشكده مهندسي عمران و حمل و نقل - گروه عمران , معيني، رامتين دانشگاه اصفهان - دانشكده مهندسي عمران و حمل و نقل - گروه عمران , زارع، محمدرضا دانشگاه اصفهان - دانشكده مهندسي عمران و حمل و نقل - گروه عمران
كليدواژه :
پيش‌بيني شكست هيدروليكي , برنامه‌ريزي ژنتيك , شبكه فاضلاب , تعداد گرفتگي , مدل شبكه عصبي مصنوعي
چكيده فارسي :
امروزه شبكه فاضلاب بخش جدايي‌ناپذير زندگي شهري محسوب مي‌شود. با توجه به اهميت اين شبكه به‌عنوان يكي از زيرساخت‌هاي شهري، وقوع شكست در اين سيستم علاوه بر توقف سرويس‌دهي، منجر به ايجاد پيامدهاي اجتماعي، اقتصادي و محيط‌زيستي زيادي مي‌شود. از اين‌رو ارزيابي وضعيت شبكه‌هاي فاضلاب و شكست‌هايي كه در شبكه اتفاق مي‌افتد يك رويكرد مهم در مديريت آن است. در حالت كلي منظور از شكست، كليه حالاتي است كه عملكرد سيستم با مشكل مواجه مي‌شود. به‌طور كلي روش‌هاي هوش مصنوعي به‌عنوان روشي كم‌هزينه به‌منظور پيش‌بيني شكست مورد استفاده قرار مي‌گيرند. در اين پژوهش از برنامه‌ريزي ژنتيك به‌منظور پيش‌بيني تعداد گرفتگي (شكست هيدروليكي) در شبكه فاضلاب، استفاده و نتايج آن با نتايج حاصل از مدل شبكه عصبي مقايسه شد. به‌اين منظور قسمتي از شبكه فاضلاب شهر اصفهان به‌عنوان مطالعه موردي بررسي شد. با توجه به پارامترهاي تأثيرگذار بر شكست هيدروليكي، پارامترهايي نظير سن، طول، شيب و عمق دفن لوله‌ها به‌عنوان ورودي و تعداد گرفتگي به‌عنوان خروجي مدل در نظر گرفته شد. در اين پژوهش از اطلاعات مربوط به گرفتگي در شبكه فاضلاب مربوط به سال‌هاي 1394 و 1395 استفاده شد كه 70 درصد داده‌ها براي آموزش و 30 درصد براي آزمايش به‌كار رفت. اطلاعات به سه شكل دسته‌بندي شد و سه مدل مختلف ارائه شد. در مدل اول اطلاعات بر اساس شيب و در دو مدل ديگر اطلاعات بر اساس عمق دفن، دسته‌بندي شدند و نتايج تحليل شد. بررسي نتايج نشان داد كه هر سه مدل داراي نتايج قابل قبولي هستند. همچنين مقايسه نتايج دو مدل نشان داد كه دقت روش برنامه‌ريزي ژنتيك نسبت به شبكه عصبي بهتر است. به‌طور نمونه، در برنامه‌ريزي ژنتيك مقدار R2 و RMSE براي مدل دوم در مرحله آموزش، 0/97 و 0/8 و در مرحله آزمايش به‌ترتيب برابر 0/94 و 0/69 بود كه اين مقادير در شبكه عصبي در مرحله آموزش، 0/96 و 0/95 و در مرحله آزمايش به‌ترتيب برابر 0/87 و 0/96 بود. با بررسي نتايج به‌دست آمده، برتري روش برنامه‌ريزي ژنتيك نسبت به شبكه عصبي مشهود است. همچنين مدل دوم نتايج بهتري داشت. نتايج حاصل از اين مدل‌ها را مي‌توان در زمينه تعميرات پيشگيرانه، اولويت‌بندي تعميرات و بازرسي‌هاي شبكه فاضلاب به‌كار برد و در نتيجه از وقوع حوادث ناگهاني در شبكه جلوگيري نمود.
چكيده لاتين :
Wastewater network is an inseparable part of urban life. Due to the importance of this network
as one of the urban infrastructures, the failure of this system will lead to stopping service,
causing many social, economic and environmental consequences. Hence, assessing the
wastewater networks condition and its failure is an important approach for managing it.
Generally, failure of system means any condition which leads to stopping service. In general,
artificial intelligence methods are used as a low-cost method to predict failure. In this research,
genetic programming (GP) is used to predict the number of blockage (hydraulic failure) in the
wastewater network and its results are compared with the results of the artificial neural network
(ANN). As a case study, here, a part of Isfahan wastewater network is investigated. The
parameters such as age, pipe length, slope and depth as input data and the number of blockage
are considered as the output data of the model. In this research, the number of blockage data in
the wastewater network in 1394 and 1395 are used, in which the 70% of the data is used for
training and 30% for the test. These data are classified in three ways leading to three models. In
the first model, data are classified based on the slope and in two other models the data are
classified according to the cover depth. The results show that all models predict the number of
blockage with good accuracy. In addition, the accuracy of the result of GP model is better than
the ANN model. For example, for GP model, the values of R2 and RMSE for the second model
at the training stage are 0.97 and 0.8 and at the test stage are equal to 0.94 and 0.69,
respectively. However, these values for ANN model are 0.96 and 0.95 at the training stage and
0.87 and 0.96 at the test stage respectively. These results show the superiority of the GP model
in comparison with ANN model in which the results of second proposed model are better. The results of these proposed models can be used for preventive maintenance, prioritization of
sewage network repairs and inspections, and finally to prevent the occurrence of sudden
accidents.
