نوع مقاله : پژوهشی کاربردی
نویسندگان
1 دانشجوی کارشناسی ارشد مهندسی و مدیریت منابع آب، گروه عمران، دانشکده مهندسی عمران حمل و نقل، دانشگاه اصفهان، اصفهان، ایران
2 دانشیار، گروه عمران، دانشکده مهندسی عمران حمل و نقل، دانشگاه اصفهان، اصفهان، ایران
چکیده
ارتقا سطح کیفی زندگی ساکنین شهرها به بهرهمندی از زیرساخت شهری با کیفیت بالا، به منظور برآورده کردن نیازهای روزانه وابسته است. شبکه آبرسانی شهری یکی از اساسیترین زیرساختهای شهری است که طراحی و سرویسدهی مطلوب آن در طول دوره طرح ضروری است. ازاین رو تعیین میزان واقعی مصرف و پیشبینی آن در آینده اهیمت دارد. به این منظور در این تحقیق، از یک روش بر مبنای هوش مصنوعی، روش برنامهنویسی ژنتیک (GP) و همچنین روش دادهکاوی ضریب همبستگی پیرسون استفاده شده است. روشهای دادهکاوی بر روی بانک داده شامل دادههای روزانه دما، بارش، رطوبت و مقدار آب تولیدی روزانه برای شهر نجفآباد در اصفهان از ابتدای سال 1394 تا انتهای سال 1398اعمال و بهترین ترکیب از دادههای ورودی انتخاب شده است. دادههای منتخب به عنوان بردارهای ورودی برای مدلهای پیشنهادی بر مبنای روش GP اعمال و مقدار آب تولیدی روزانه (نشاندهنده آب مصرفی کل)شهر نجف آباد پیشبینی شده است. نتایج به دست آمده با نتایج مدلهایی بر مبنای شبکه عصبی مصنوعی (ANN) مقایسه شده است. برای بررسی عملکرد مدلها، شاخصهای آماری R²، RMSE و NSE محاسبه شده است. مقایسه نتایج نشاندهنده عملکرد قابل قبول مدلهای پیشنهادی بر مبنای GP میباشد. به عبارت دیگر، مقدار شاخصهای آماری RMSE و NSE و R² و MAPE برای دادههای آموزش در بهترین مدل GP بهترتیب برابر با MCM 3262/59 و 0/80 و 0/80 و 5/38 درصد و برای دادههای آزمایش به ترتیب برابر با 3507/68 MCM و 78/78 و 0/0 و 6/67 درصد میباشد.
کلیدواژهها
موضوعات
Brentan, B. M., Luvizotto Jr, E., Herrera, M., Izquierdo, J., & Pérez-García, R. (2017). Hybrid regression model for near real-time urban water demand forecasting. Journal of Computational and Applied Mathematics, 309, 532-541. doi: 10.1016/j.cam.2016.02.009
Goodarzi, M., Abedi-Koupai, J., Heidarpour, M., & Safavi, H. R. (2016). Evaluation of the Effects of Climate Change on Groundwater Recharge Using a Hybrid Method. Water Resources Management, 30(1), 133-148. doi: 10.1007/s11269-015-1150-4
Kazemi, M., & Barati, R. (2022). Application of dimensional analysis and multi-gene genetic programming to predict the performance of tunnel boring machines. Applied Soft Computing, 124, 108997. doi: 10.1016/j.asoc.2022.108997
Kühnert, C., Gonuguntla, N. M., Krieg, H., Nowak, D., & Thomas, J. A. (2021). Application of LSTM Networks for Water Demand Prediction in Optimal Pump Control. Water, 13(5), 644. doi: 10.3390/w13050644
Lee, M., Tansel, B., & Balbin, M. (2011). Influence of residential water use efficiency measures on household water demand: A four year longitudinal study. Resources, Conservation and Recycling, 56(1), 1-6. doi: 10.1016/j.resconrec.2011.08.006
Pacchin, E., Gagliardi, F., Alvisi, S., & Franchini, M. (2019). A Comparison of Short-Term Water Demand Forecasting Models. Water Resources Management, 33(4), 1481-1497. doi: 10.1007/s11269-019-02213-y
Polebitski Austin, S., & Palmer Richard, N. (2010). Seasonal Residential Water Demand Forecasting for Census Tracts. Journal of Water Resources Planning and Management, 136(1), 27-36. doi: 10.1061/(ASCE)WR.1943-5452.0000003
Romano, G., Salvati, N., & Guerrini, A. (2014). Estimating the Determinants of Residential Water Demand in Italy. Water, 6, 2929–2945. doi: 10.3390/w6102929
Sebri, M. (2016). Forecasting urban water demand: A meta-regression analysis. Journal of Environmental Management, 183, 777-785. doi: 10.1016/j.jenvman.2016.09.032
Shabani, S., Candelieri, A., Archetti, F., & Naser, G. (2018). Gene expression programming coupled with unsupervised learning: a two-stage learning process in multi-scale, short-term water demand forecasts. Water, 10(2), 142. doi: 10.3390/w10020142
Shuang, Q., & Zhao, R. T. (2021). Water Demand Prediction Using Machine Learning Methods: A Case Study of the Beijing–Tianjin–Hebei Region in China. Water, 13(3), 310. doi: 10.3390/w13030310
Silva, S., & Almeida, J. (2003). Gplab–a genetic programming toolbox for matlab. In: Proceedings of the Nordic MATLAB Conference. Copenhagen, Denmark.
Smolak, K., Kasieczka, B., Fialkiewicz, W., Rohm, W., Siła-Nowicka, K., & Kopańczyk, K. (2020). Applying human mobility and water consumption data for short-term water demand forecasting using classical and machine learning models. Urban Water Journal, 17(1), 32-42. doi: 10.1080/1573062X.2020.1734947
Suero Francisco, J., Mayer Peter, W., & Rosenberg David, E. (2012). Estimating and Verifying United States Households’ Potential to Conserve Water. Journal of Water Resources Planning and Management, 138(3), 299-306. doi: 10.1061/(ASCE)WR.1943-5452.0000182
Xenochristou, M., & Kapelan, Z. (2020). An ensemble stacked model with bias correction for improved water demand forecasting. Urban Water Journal, 17(3), 212-223. doi: 10.1080/1573062X.2020.1758164
ارسال نظر در مورد این مقاله