افزايش راندمان محاسباتي روش نشت ‌يابي تحليل معكوس جريان گذرا با استفاده از مدل جايگزين كريجينگ

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

روش تحليل معكوس جريان گذرا (ITA)، يكي از روش‌هاي موفق در زمينه شناسايي نشت در شبكه‌هاي آبرساني است. با اين وجود دستيابي به پارامترهاي مجهول نشت مانند تعداد، مكان و مساحت نشت‌ها در اين روش به‌دليل استفاده از الگوريتم‌هاي فراكاوشي مانند الگوريتم ژنتيك (GA) نيازمند صرف هزينه و زمان محاسباتي زيادي است. هدف از اين پژوهش ارائه راهكاري است كه با حفظ ساختار محاسبات ITA، دقت و سرعت دسترسي به نتايج نيز افزايش يابد. در اين پژوهش راهكار استفاده از مدل‌هاي جايگزين در فرايند بهينه‌سازي روش ITA مطرح شد. اين مدل‌ها با تقليد از رفتار تابع هدف اصلي، تلاش مي‌كنند با هزينه محاسباتي اندك، تا حد امكان بيشترين شباهت رفتاري را نسبت آن داشته باشند. در همين راستا الگوريتم بهينه‌سازي جديدي بر پايه مدل جايگزين كريجينگ تحت عنوان الگوريتم GA-Kriging معرفي شد. در اين الگوريتم با استفاده از ويژگي ساختاري مدل جايگزين كريجينگ و ارائه شاخصي به نام EI اصلاحاتي در انتخاب فرزندان الگوريتم GA انجام شد. به‌منظور ارزيابي الگوريتم GA-Kriging و مقايسه عملكرد آن با الگوريتم GA، از يك شبكه آبرساني مرجع با هدف يافتن نشت استفاده شد. نتايج نشان داد كه الگوريتم GA-Kriging با 52 درصد دقت بيشتر نتايج به‌دست آمده و صرفه‌جويي زمان محاسباتي به اندازه 75 درصد، نسبت به الگوريتم GA كارايي محاسباتي بيشتري دارد. اين پژوهش نشان داد كه استفاده مناسب از مدل‌هاي جايگزين در فرايند بهينه‌سازي مي‌تواند سبب هوشمندتر شدن محاسبات، كاهش محاسبات تكراري و در نهايت، افزايش كارايي محاسباتي شود.

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 time-consuming 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 GA-Kriging 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 GA-Kriging 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 GA-Kriging 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.