پديد آورندگان :
جعفري، مهران دانشگاه علوم كشاورزي و منابع طبيعي گرگان - گروه مهندسي آب، گرگان , ظهيري، عبدالرضا دانشگاه علوم كشاورزي و منابع طبيعي گرگان - گروه مهندسي آب، گرگان , بزرگ حداد، اميد دانشگاه تهران - گروه مهندسي آب، تهران , محمدرضاپور طبري، محمود دانشگاه مازندران - دانشكده فني و مهندسي - گروه مهندسي عمران، مازندران
كليدواژه :
نرخ شكست لوله , شبكه توزيع آب شهري , مدل هوشمند , مدل هيبريدي , گرگان
چكيده فارسي :
سابقه و هدف: شبكه‌هاي توزيع آب شهري بعنوان يكي از مهمترين تأسيسات و تجهيزات زيربنايي مناطق شهري محسوب مي‌شوند. لوله‌ها بعنوان يكي از اجزاي اصلي و مهم شبكه توزيع آب، همواره در دوره بهره‌برداري تحت تأثير عوامل مختلف دچار شكستگي مي‌شوند، بنابراين استفاده از مدل‌هاي مختلف جهت شناخت و پيش‌بيني نرخ شكست لوله‌ها مي‌تواند كاربرد بسيار مهمي براي مديران و دست-اندركاران جهت مديريت بهينه شبكه توزيع آب شهري در دوران بهره‌برداري داشته باشد. در دهه اخير مطالعات مختلفي جهت پيش‌بيني نرخ شكست لوله‌هاي شبكه توزيع آب با استفاده از مدل‌هاي آماري و هوشمند انجام شده‌است كه هريك دارايي نقاط ضعف و قوت مي‌باشند. هدف از اين تحقيق، ارائه يك رويكرد جديد برمبناي توسعه مدل پيش‌بيني هيبريد، با توجه به قابليت‌هاي مدل‌هاي هوشمند و آماري، جهت پيش‌بيني دقيق‌تر نرخ شكست لوله‌هاي شبكه توزيع آب در مقايسه با مدل‌ها آماري و هوشمند مورد استفاده در تحقيقات قبل مي‌باشد.
مواد و روش‌ها: براي دستيابي به اهداف مطالعه، از آمار دوره زماني 4 ساله (1394 تا 1397) مربوط به مشخصات شبكه توزيع آب شرب شهر گرگان شامل قطر، طول، سن، عمق نصب و تعداد شكست جهت پيش‌بيني نرخ شكست لوله‌ها در آينده استفاده‌‌شد. براي پيش‌بيني نرخ شكست لوله‌هاي شبكه توزيع آب مورد بررسي، پنج مدل مختلف شامل سه مدل آماري (رگرسيون خطي، رگرسيون خطي تعميم‌يافته، رگرسيون بردار پشتيبان) و دو مدل هوشمند (شامل شبكه عصبي مصنوعي پيش‌خور و شبكه عصبي مصنوعي پايه شعاعي) مورد بررسي قرار-گرفتند. انتخاب پارامترهاي بهينه مدل‌هاي مورد‌‌استفاده در اين تحقيق، بر اساس شاخص‌هاي آماري مناسب شامل ضريب همبستگي، خطاي حداقل مربعات و نسبت همبستگي- خطاي‌مربعات متوسط مربوط به داده‌هاي آموزشي و آزمايشي انجام‌گرديد. به‌منظور انتخاب مدل برتر از بين مدل‌هاي مختلف براي پيش‌بيني نرخ شكست لوله‌هاي شبكه، مقادير شاخص‌هاي R و MSE مدل‌هاي فوق در مرحله صحت‌سنجي محاسبه و با يكديگر مقايسه‌گرديد. در نهايت، به‌منظور امكان پيش‌بيني دقيق‌تر نرخ شكست لوله‌هاي شبكه توزيع آب، يك رويكرد جديد بر مبناي مدل پيش‌بيني هيبريد توسعه داده شد كه در آن، مقادير پيش‌بيني‌شده نرخ شكست لوله‌هاي شبكه توسط هريك از مدل‌هاي فوق به-عنوان متغيرهاي مستقل ورودي مدل برتر و مقادير مشاهداتي نرخ شكست به‌عنوان متغير وابسته خروجي مدل برتر در‌نظر گرفته‌شد.
يافته‌ها: مقايسه مقادير شاخص‌هاي آماري R و MSE مدل‌هاي مورد استفاده در اين تحقيق در مرحله صحت‌سنجي نشان‌‌داد كه هيچ كدام از مدل‌هاي مورد استفاده داراي دقت مناسبي براي پيش‌بيني نرخ شكست لوله‌هاي شبكه شرب شهر گرگان نيستند. مدل شبكه عصبي مصنوعي پيش‌خور با ضريب همبستگي 0/69=R و مقدار خطاي 0/062=MSE= داراي بهترين برآورد بود. با استفاده از رويكرد جديد توسعه داده شده بر اساس هيبريد مدل‌هاي هوشمند و آماري مقدار R برابر 0/96 و شاخص خطاي MSE برابر 0/046 بدست آمده‌است.
نتيجه‌گيري: افزايش چشمگير شاخص R(به ميزان 39 درصد) و كاهش قابل توجه شاخص MSE (به ميزان 25 درصد) ناشي از استفاده از رويكرد هيبريدي پيشنهادي براي پيش‌بيني نرخ شكست لوله‌هاي شبكه در مقايسه با مدل شبكه عصبي مصنوعي پيش‌خور نشان‌‌مي دهد كه با استفاده از اين رويكرد جديد، مي‌توان نرخ شكست لوله‌هاي شبكه تحقيق حاضر را با دقت بسيار خوبي پيش‌بيني نمود.
چكيده لاتين :
Background and Objective: Urban water distribution networks consider as one of the essential infrastructural facilities and equipment in urban areas. The pipes are one of the primary and essential components of a water distribution network break during operation due to various factors. So, developing models for pipes failure rate prediction can be one of the most crucial tools for managers and stakeholders to the optimal operation of the water distribution network. In the last decade, various studies have performed to predict the failure rate of water distribution pipes using statistical and soft models - each of which has strengths and weaknesses. This study aims to present a new approach based on the development of a hybrid prediction model, considering the capabilities of soft and statistical models, to more accurately predict the water distribution network pipes failure rate compared to statistical and soft models used in previous research.
Material and Method: In order to achieve the study goals, 4-year (2015-2018) time duration statistics of Gorgan water distribution network characteristics including diameter, length, age, depth of installation, and the number of pipe failures used to predict future pipes failure rates. To modeling the pipe failure rate of the investigated network, five different models, including three statistical models (linear regression, generalized linear regression, support vector regression) and two soft models (feed-forward neural network, and radial basis function neural network) has studied. Optimal parameters of the models were selected based on appropriate statistical error indicators, including correlation coefficient (R), Mean Square Error (MSE), and Correlation Mean square error Ratio (CMR) for the training and testing data. In order to select the best model from different models to predict the failure rate of network pipes, the values of R and MSE indicators of the above models were calculated in the validation stage and compared with each other. Finally, to predict pipes failure rate more accurately, a new approach is developed based on the hybrid prediction model in which the predicted values of pipe failure rates by statistical and soft computing models considered as independent variables of the best model inputs and the observed values of failure rates as dependent variables of the best model outputs.
Results: Comparing the values of R and MSE indicators of each statistical and soft computing model used in this study in the validation phase show that these models cannot predict the pipes' failure rate with reasonable accuracy. Feed forward neural network model with the highest R = 0.69 and the lowest MSE = 0.062 values has the best estimates. Using the new approach developed based on hybrid soft and statistical models, the R index is equal to 0.96, and the MSE index is equal to 0.046.
Conclusion: A significant increase in the R index (39%) and decrease in the MSE index (25%) through using the proposed hybrid approach compared to the feed-forward neural network model demonstrates that using the new approach provides perfect accuracy prediction of the pipes failure rate of the water distribution network.
