استفاده از رويكرد يادگيري ماشين در پيش‌بيني فشار در شبكه هاي آب شهري؛ مطالعه موردي الگوريتم‌هاي SVR و GP

Utilizing Machine Learning Approach for Pressure Prediction in Urban Water Networks A Case Study of SVR and GP Algorithms

ميزان جمعيت، وضعيت اقليمي، بالا رفتن سطح بهداشت و اقتصاد، فرهنگ جامعه، اهميت يافتن بيشتر كيفيت آب، مهاجر‌پذيري، سياست هاي مديريت تقاضا و مصرف، عمر شبكه و كيفيت اجراي آن، نوع كاربري و گوناگوني آن، تعداد اعضاي هر خانه و سن افراد خانه در ميزان تقاضاي آب مؤثرند. افزايش فشار در گره‌ها و لوله ها منجر به نشت و شكستگي در آن‌ها و در نتيجه باعث هدر رفتن آب در شبكه مي شود كه تعمير لوله ها و شبكه با هزينه هاي زيادي همراه است. مديريت هوشمند صحيح براي به حداقل رساندن هزينه ها و مديريت بهينه سامانه‌هاي آبرساني است. براي كاهش هزينه هاي تخمين و پيش بيني مي توان از هوش مصنوعي (AI) بهره گرفت. در اين مقاله، الگوريتم‌هاي يادگيري ماشين (ML) مانند برنامه‌ريزي ژنتيك (GP) و رگرسيون برداري پشتيبان (SVR) براي پيش‌بيني فشار آب اعمال شده‌اند. براي شبيه‌سازي و بررسي رفتار هيدروليكي آب در شبكه از نرم‌افزار EPANET استفاده شده است. همچنين ارتباط بين نرم_افزار MATLAB و نرم‌افزار EPANET به كمك كتابخانه پويا (DLL) امكان‌پذير است. الگوريتم هاي مذكور توانسته‌اند مقادير فشار در شبكه را با دقت بالايي (98/0 R2 94/0) پيش بيني كنند. اين مقاله براي مديريت كارآمد و قابل‌اعتماد شبكه توزيع آب در آينده با استفاده از فناوري‌هاي هوش مصنوعي و الگوريتم‌هاي يادگيري ماشين انجام شد.

Population size, climate conditions, rising hygiene and economic levels, societal culture, increased importance of water quality, migration, demand management and consumption policies, network lifespan and quality of execution, land use and its diversity, the number of household members and the age of individuals in a household, all have an impact on water demand. Increased pressure in nodes and pipes leads to leakage and breakage, resulting in water loss in the network, which requires costly pipe and network repairs. Proper smart management is crucial for minimizing costs and optimizing water supply systems. Artificial Intelligence (AI) can be utilized to reduce estimation and prediction costs. In this article, machine learning algorithms such as Genetic Programming (GP) and Support Vector Regression (SVR) have been applied for predicting water pressure. The EPANET software has been used for simulating and examining the hydraulic behavior of water in the network. Additionally, the connection between MATLAB and EPANET is possible using a dynamic link library (DLL). These mentioned algorithms have been able to accurately predict pressure values in the network with high precision (0.94 R-squared 0.98). This article aims to achieve efficient and reliable management of water distribution networks in the future using artificial intelligence technologies and machine learning algorithms.