استفاده از مدل جايگزين شبكه عصبي مصنوعي به منظور كاهش محاسبات شناسايي نشت در شبكه هاي آبرساني

Using Artificial Neural Network surrogate models to reduce the calculation cost of leak detection in water distribution networks

دست يابي به پارامترهاي نشت در روش تحليل معكوس جريان گذرا (ITA) به صورت معكوس و با حل يك مسيله برنامه ريزي غيرخطي توسط الگوريتم هاي فراكاوشي همچون الگوريتم ژنتيك (GA) انجام مي شود. با وجود توانايي بالاي روش ITA در يافتن پارامترهاي نشت، استفاده از الگوريتم GA در اين روش سبب مي شود تا از نظر كارايي محاسباتي، نيازمند صرف هزينه و زمان محاسباتي زيادي باشد. دليل اين امر را مي توان ماهيت حركات تصادفي و تكاملي تدريجي الهام گرفته شده از طبيعت در الگوريتم GA دانست. در اين پژوهش با هدف افزايش راندمان محاسباتي، استفاده از مدل هاي جايگزين در بخش فرايند بهينه سازي روش ITA پيشنهاد مي شود. مدل جايگزين در واقع نمونه شبيه-سازي شده مدل اصلي بوده كه قادر است مقدار تقريبي تابع هدف را در كسري از ثانيه محاسبه كند. نحوه به كارگيري اين مدل ها در فرايند بهينه سازي در موفقيت استفاده از اين روش ها تاثير بسزايي دارد. در همين راستا دو الگوريتم داراي مدل جايگزين مبتني بر اعضاي جمعيت با عناوين Pre-selection Strategy (PS) وBest Strategy (BS) معرفي مي شوند. به منظور ارزيابي و مقايسه نتايج، از يك شبكه آبرساني با هدف يافتن پارامترهاي نشت استفاده شده است. نتايج، افزايش راندمان محاسباتي را نسبت به استفاده از الگوريتم GA در روش ITA نشان دادند. الگوريتم PS توانست با كاهش 58% ميزان تابع هدف و صرفه جويي زمان محاسباتي 78% نسبت به الگوريتم GA بهترين عملكرد را به خود اختصاص دهد.

The leak detection parameters in the inverse transient analysis (ITA) are obtained in an inverse approach by solving a nonlinear programming problem using metaheuristic algorithms such as the genetic algorithm (GA). Despite its high capability in deriving the leak detection parameters, the ITA method is computationally complex and costly as it uses the (GA). The reason can be attributed to the random behavior and gradual evolution of this algorithm inspired by the nature. This study aimed to increase the computational efficiency by employing surrogate models in the optimization process of the ITA method. The surrogate model is in fact a simulated sample of the main model capable of approximately calculating the objective function in a fraction of a second. The way these models are integrated into the optimization model highly affects their success or failure. To this end, two algorithms incorporating population-based surrogate models, namely (Pre-selection Strategy) PS and (Best Strategy) BS, were presented. To evaluate and compare the results, a distribution network was used to identify the leak detection parameters. The results indicated an increase in the computational efficiency compared to the ITA method integrated with the (GA). The PS algorithm demonstrated the highest performance by reducing the objective function and time complexity by 58% and 78%, respectively.