برآورد عملكرد هيدروليكي سيستم‌هاي آبياري تحت فشار با استفاده از مدل هاي شبكه عصبي مصنوعي و رگرسيون ناپارامتري

Estimating Hydraulic Performance of Pressurized Irrigation System Using Artificial Neural Networks and Nonparametric Regression

در اين مطالعه به منظور برآورد شاخص هاي عملكرد هيدروليكي سيستم آبياري تحت فشار، جايگزيني مدل هاي هيدروليكي با استفاده از مدل-هاي آماري و شبكه عصبي مصنوعي مورد ارزيابي قرار گرفت. ضريب يكنواختي كريستيانسن به عنوان شاخص عملكرد هيدروليكي، در نظر گرفته شد و با استفاده از يك الگوريتم، مقادير اين شاخص به صورت تابعي از تركيب هاي مختلف فشار ورودي، تعداد خروجي ها، فاصله خروجي ها، ضريب زبري لوله، قطر داخلي، شيب، دبي اسمي خروجي ها، فشار كاركرد خروجي ها و توان معادله دبي خروجي ها محاسبه گرديد (4320 تركيب مختلف). دو مدل شبكه عصبي مصنوعي شامل شبكه پرسپترون چندلايه (MLP) و شبكه رگرسيون تعميم‌يافته (GRNN) و نيز روش K نزديك ترين همسايه (KNN) به عنوان يك مدل رگرسيون ناپارامتري براي شبيه سازي شاخص عملكرد هيدروليكي لاترال ها مورد آزمون قرار گرفتند. نتايج نشان داد كه مدل شبكه عصبي مصنوعي MLP قادر است با كمترين خطا (3-2%) مقادير ضريب يكنواختي لاترال هاي آبياري تحت فشار را با استفاده از مشخصات هيدروليكي و فيزيكي لاترال برآورد نمايد. عملكرد مدل GRNN نيز به ويژه در ارتباط با كل داده ها در سطح نسبتاً مطلوبي ارزيابي گرديد. اما روش KNN عليرغم شبيه سازي دقيق متوسط مقادير CU، قادر به شبيه سازي دقيق انحراف استاندارد اين مقادير نبوده و خطاي آن در مرحله آزمون بسيار بيشتر از دو مدل ديگر برآورد گرديد. در روش KNN، كمترين مقدار شاخص هاي خطا مربوط به رگرسيون ناپارامتري با 10 و 15 همسايه مي‌باشد. نتايج اين مطالعه نشان داد كه امكان ساده سازي مدل هاي پيچيده هيدروليكي با جايگزيني كل يا بخشي از اين مدل ها با مدل-هاي ساده تر آماري و شبكه عصبي وجود دارد و اين مسيله با توجه به پيچيدگي مدل هاي هيدروليكي، به ويژه در فرآيند بهينه سازي سيستم هاي آبياري، مي تواند مورد توجه قرار گيرد.

In this research, replacement of hydraulic models with statistical models and artificial neural networks were studied in order to estimate the criteria of pressurized irrigation systems hydraulic performance. The Coefficient of Uniformity of Christiansen (CU) was accepted as a hydraulic performance index. Using an automated algorithm, the values of this index were calculated for different combinations of inlet pressure, number and spacing of outlets, pipe roughness coefficient, inside diameter, slope, outlets nominal outflow and pressure and the exponent of the formula of outlet outflows (x) (4320 different combinations). Two different architecture of artificial neural networks were studied including a multi-layer perceptron (MLP) model and a generalize regression model (GRNN). Again, K-nearest neighbor (KNN) algorithm, as a nonparametric regression model was analyzed too. The results showed that MLP model could estimate the CU values of pressurized irrigation system laterals very closely (2-3% error) using its hydraulic and physical characteristics. The performance of GRNN model was also acceptable, especially related to the whole data set. But, the KNN algorithm was unable to predict standard deviation of CU values, although it was capable in estimating the mean value. The deviations of the KNN algorithm were the largest among all the models. The lowest values of error indices of the KNN algorithm was related to the K values of 10 and 15. The results of this study revealed the possibility of simplification of sophisticated hydraulic models by replacing the whole or some parts of these models with simpler statistical models and artificial neural networks. This is very interesting because of the complexity of hydraulic models, especially in optimization processes of irrigation systems.