TY - JOUR ID - 40682 TI - مدل‏‌سازی نشت در شبکه‏‌های آبرسانی با استفاده ‏از نرم‌‏افزار WaterGEMS و شبکه عصبی مصنوعی JO - آب و توسعه پایدار JA - JWSD LA - fa SN - 2423-5474 AU - میسرجانی, پروانه AU - سیاری, نسرین AU - سیاری, ساره AD - بخش مهندسی آب، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران. AD - استادیار بخش مهندسی آب، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان AD - استاد مدعو بخش مهندسی آب، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان. Y1 - 2021 PY - 2021 VL - 8 IS - 2 SP - 81 EP - 90 KW - مدل‏‌سازی نشت KW - هدررفت آب KW - اختلاف فشار KW - مدل WaterGEMS KW - شبکه عصبی مصنوعی DO - 10.22067/jwsd.v8i2.1010 N2 - اتلاف بیش از متوسط 30 درصد آب ورودی به شبکه‌های توزیع آب شرب کشور در اثر نشت از شبکه، موجب نگرانی جدی مسئولین شرکت‏‌های آب و فاضلاب کشور شده و یافتن موقعیت نشت در شبکه‌های توزیع یکی از مسائل و دغدغه‌های مهم کاربران و سازمان‌های مربوطه می‌باشد. کاهش میزان نشت در شبکه‌های آبرسانی یکی از روش‌‏های اصلی مدیریت شبکه‏‌ای توزیع آب در کشورهای مختلف به‏ شمار می‏رود. در حال‏ حاضر روش‌‏های متعددی برای شناسایی نشت در شبکه‏‌های آبرسانی ارائه شده است. در این مقاله، مدل‏‌سازی هیدرولیک جریان یک شبکه واقعی توسط نرم‏‌افزار هیدرولیکی WaterGEMS و حل معکوس معادلات جریان، با داشتن مقادیر اندازه‌‏گیری شده فشار در تعدادی از گره‏‏‏‌های شبکه، پیش‌‏بینی محل و میزان نشت موجود در شبکه‌‏های توزیع آب شهر محی‌‏آباد واقع در استان کرمان انجام شد. ابتدا مدل هیدرولیکی شبکه مورد بررسی در نرم‌‏افزار تحلیل هیدرولیکی تهیه و کالیبره شده و مقدار نشت‌‏های موجود برداشت و سپس با تحلیل شبکه برای حالات و مقادیر مختلف وجود نشت‌‏های فرضی، مقادیر فشار در گره‏‌های مختلف شبکه محاسبه شد. در مرحله دوم با استفاده ‏از شبکه‌‏های عصبی مصنوعی، پس از آموزش شبکه، با ارائه فشارهای اندازه‏‌گیری شده در برخی از گره‏‌های شبکه به ‏عنوان داده‏‌های ورودی به شبکه عصبی، موقعیت و مقدار نشت‏‌های احتمالی موجود، پیش‌‏بینی شد. بررسی و مقایسه نتایج حاصل از تحلیل هیدرولیکی شبکه و شبکه عصبی مصنوعی نشان‌دهنده دقت بسیار بالای شبکه‏‌های عصبی مصنوعی در تخمین مقدار و موقعیت نشت‏‌ها بود. UR - https://jwsd.um.ac.ir/article_40682.html L1 - https://jwsd.um.ac.ir/article_40682_20a9a7f07899412c03ef6f933242c981.pdf ER -