بهينه سازي قطر لوله هاي شبكه آبرساني شهري با استفاده از الگوريتم ژنتيك سريع آشفته و كرم شب تاب در مدل Relopt (مطالعه موردي: شهرك شهرداري كرمان)

Optimization of water network distribution using fast messy genetic and firefly algorithms in Relopt Model (Case study: Shahrdari Town, Kerman)

سابقه و هدف: هزينه بالاي اجراي سيستم هاي آبرساني شهري، همراه با پيچيدگي هاي طراحي و مشكل هاي كاركرد حال حاضر آن ها، بهينه سازي طرح شبكه آبرساني قابل جايگزيني اين سيستم ها را، قبل از اعمال هر گونه تغيير و يا ساخت و اضافه نمودن هر انشعاب در آن ها را به نياز اوليه و اساسي مديران در اين زمينه تبديل كرده است. به دليل پيچيدگي غير خطي و منحصر به فرد طراحي شبكه هاي آبرساني، مهندسان در سال هاي اخير اين مشكل را با استفاده از هوش مصنوعي و الگوريتم هاي جستجوگر حل مي كنند. اين الگوريتم ها با جستجوي جهت دار دامنه، در انتخاب مشخصات سيستم بهينه، مهندسان مطمئن ميسازند كه بهترين گزينه بهينه نهايي ممكن را يافته اند. مواد و روش ها: در پژوهش حال حاضر به مطالعه موردي در يكي از شهرك هاي شهر كرمان و پيدا كردن طرح شبكه آبرساني بهينه آن به كمك الگوريتم ژنتيك سريع آشفته و الگوريتم كرم شب تاب و سپس شبيه سازي شبكه با استفاده از نرم افزار WaterGEMS پرداخته شد. در اين روش ابتدا شبكه آبرساني منطقه مورد مطالعه در محيط WaterGEMS مدل شده و سپس مشخصات شبكه آبرساني به الگوريتم هاي بهينه سازي وارد گشته و با استفاده از محدوديت هاي استاندارد فشار و سرعت، گزينه هاي بهينه اين دو الگوريتم خارج شد. پس از اجراي مجدد نتايج به دست آمده از و كنترل محدوديت ها، به برآورد هزينه و مقايسه هوشمند آن ها با WaterGEMS مدل هاي بهينه سازي شده در مدل يكديگر در زمينه شرايط هيدروليكي و هزينه نهايي شبكه پرداخته شد. اين گزينه ها شامل كنترل هاي هيدروليكي و كنترل پاسخگويي سيستم در دوره هاي كوتاه مدت و بلند مدت مي باشند. در مرحله كنترل هيدروليكي، محدوديت سرعت جريان در لوله ها، حداقل فشار مورد نياز در هر گره مصرف و قابليت آبرساني در ساعات مختلف شبانه روز كه نياز مصرف تغيير مي كند، كنترل مي شود. در مرحله كنترل هاي زماني، مشخصات هيدروليكي سيستم در ماه هاي مختلف سال و نيز در دوره طول عمر مفيد مد نظر شبكه كه شامل افزايش جمعيت منطقه و در نتيجه افزايش نياز مصرف مي شود، بررسي شد. 37 درصد و / يافته ها: بررسي نتايج مدل هاي بهينه سازي نشان مي دهد كه الگوريتم ژنتيك سريع آشفته به ميزان 7 34 درصد توانسته اند تابع هزينه را نسبت به حالت تعويض لوله ها و قطعات / الگوريتم كرم شب تاب نيز به مقدار 4 موجود شبكه و بدون بهينه سازي شبكه، كاهش دهند. اين در حالي است كه شبكه از لحاظ هيدروليكي نيز در محدوده استاندارد بوده و در مواردي حتي به بهبود شرايط توزيع فشار نيز منجر شده است. نتيجه گيري: در نهايت مي توان بيان نمود كه هر دو الگوريتم بهينه سازي مورد استفاده در اين مطالعه توانسته اند به كاهش چشمگير هزينه هاي پروژه ضمن بهبود شرايط هيدروليكي تامين فشار و جريان آب متغير مورد نياز در ساعات مختلف شبانه روز، هفته، ماه و سال دست يابند.

Background and Objectives: The high cost of implementing urban water supply systems, along with the complexity of the design and function problems in present, create the optimization of water supply scheme to replace these systems before making any change or addition of branch in them, has become basic needs in this area for administrators. Due to the complexity and unique non-linear design of water supply networks, engineers in recent year’s solving this problem by using artificial intelligence and Checker algorithms. This algorithms searches the range oriented to choose the optimal system specifications, engineers ensure that they find the best option may be to have the final optimization. Materials and Methods: In the present study, a case study in a town of Kerman was done to find the optimal design of water supply network using fast messy genetic algorithm and Firefly algorithm and then using network simulation software WaterGEMS. In this method, first the water supply network in the study area model in WaterGEMS environment and then enter the water supply network to algorithms have been optimized using standard pressure and speed limits, out of options to optimize the algorithm. After the replay results of optimization models in to WaterGEMS model and control restrictions, to estimate the costs were compared with each other in the field of intelligent network hydraulic conditions and the final cost of them. These include control of hydraulic and control system to meet their short-term and long-term. The hydraulic control, speed limits flow in pipes, minimum pressure required at each node and the ability to use water at different hours of the day when demand is controlled. The time control, hydraulic characteristics of the system in different months of the year and also during the lifetime of the network considered, including population growth and in result increasing demand in the region were reviewed. Results: The results show that genetic algorithm optimization models quickly disturbed by 37.7% and 34.4%. Firefly algorithm also have to value the cost to replace the pipes and components in the network and optimization of the network reduce. However, the network of Hydro's standards and in some cases also led to improved pressure distribution. Conclusion: Finally, it can be said that both the optimization algorithm used in this study have been able to significantly reduce project costs while improving hydraulic variable pressure and water flow required at different hours of the day, week, month and year.