23188

بكارگيري ابزارهاي مديريتي در برنامه ريزي بهينه تعميرات و نگهداري شبكه هاي آبرساني شهري

ارشد

مهندسي و مديريت منابع آب

1395

1398/10/28

دكتر عباس يگانه بختياري - دكتر مريم حسني زنوزي

عمران

شبكه آبرساني¬ يكي از مهم¬¬ترين دارايي¬هاي سازمان¬هاي تأمين آب به حساب مي¬آيد. اين اهميت ابعاد مختلف اقتصادي و اجتماعي را شامل مي¬شود. لذا داشتن برنامه¬ريزي صحيح و بهينه براي تعميرات و نگهداري شبكه آبرساني مي¬تواند در كاهش هزينه¬ها و افزايش كيفيت آبرساني بسيار مؤثر باشد. برنامه-ريزي بهينه نيازمند شناخت كامل شبكه ¬آبرساني و استفاده از ابزارهاي مديريتي كارآمد مي¬باشد كه علاوه بر ارائه وضعيت موجود بتواند رفتار آينده شبكه آبرساني را پيش بيني كند. در سال¬هاي اخير استفاده از روش¬هاي هوش مصنوعي براي حل مسائل پيچيده گسترش يافته و معتبر بودن اين روش¬ها به اثبات رسيده است. با توجه به پيچيده بودن شبكه آبرساني و رفتار آن استفاده از روش¬هاي يادگيري ماشين نتايج بسيار كارآمد خواهد داشت. در اين تحقيق از روش خوشه¬بندي فازي و مدل سيستم استنباط فازي عصبي براي پيش¬بيني نرخ خرابي لوله¬هاي شبكه¬ آبرساني استفاده شده است. براي بالا بردن دقت پيش¬بيني نرخ خرابي، اطلاعات با استفاده از روش خوشه¬بندي ميانگين فازي بر اساس پارامتر هاي شاخص وضعيت، سن، قطر و طول به شش خوشه تقسيم مي¬شوند. اطلاعات خوشه يك براي پيش¬بيني نرخ خرابي مورد استفاده قرار مي¬گيرد و اطلاعات به سه دسته آموزشي، آزمايشي و وارسي تقسيم مي¬شوند. نتايج شاخص¬هاي آماري RMSE=0.025، SD=0.025 و=0.95 R2 در دسته آزمايشي اعتبار مدل را تاييد مي¬كند. همچنين با توجه به اينكه بيش از 90 درصد لوله¬هاي شبكه فاقد خرابي مي¬باشند استفاده از اين اطلاعات باعث آموزش بيش از حد مدل مي¬شود، حذف اين اطلاعات باعث حل مشكل شده ولي مدل توسعه داده شده فقط براي پيش¬بيني نرخ خرابي لوله¬هاي با سابقه خرابي قابل كاربرد خواهد بود. بنابراين پيشنهاد مي¬شود مقداري از اطلاعات لوله¬هاي فاقد خرابي در گروه آموزشي حفظ شود. از شبكه آبرساني شهر مونترال كانادا براي توسعه مدل و اعتبارسنجي استفاده شده است. اطلاعات مورد استفاده شامل قطر، سال نصب، طول لوله، جنس، آمار خرابي، شرايط محيطي، شرايط بهره¬برداري مي¬باشد.

1399/11/11

application of managment tools for optimal scheduling of urban water network maintenance

1/17/2021 12:00:00 AM

The water network is one of the most important water organizations' assets. This importance includes various economic and social dimensions. Therefore, having correct and optimal planning for repairs and maintenance of the water network can effectively reduce costs and increase the water distribution quality. Optimal planning requires complete knowledge of the water distribution network and efficient management tools that, in addition to presenting the current situation, can predict the water distribution network's future behaviour. In recent years, the use of artificial intelligence methods to solve complex problems has expanded, and the validity of these methods has been proven. Due to the complexity of the water distribution network and its behaviour, machine learning methods will have very efficient results. In this research, the fuzzy clustering method and neural fuzzy inference system model have been used to predict water distribution pipes' failure rate. To increase the accuracy of fault rate prediction, the data is divided into six clusters using the fuzzy mean clustering method based on the status index, age, diameter and length. Cluster information is used to predict the failure rate, and the information is divided into three categories: training, experimental and verification. The results of statistical indices RMSE = 0.025, SD = 0.025 and R2 = 0.95 in the experimental category confirm the validity of the model. Also, considering that more than 90% of the network pipes are not damaged, this information causes excessive training of the model. Deleting this information solves the problem, but the developed model will only predict the failure rate of pipes with a history of failure. Therefore, it is suggested that some information about the pipes be preserved in the training group without any damage. The water distribution network of Montreal's city, Canada, has been used to develop the model and validation. The information used includes diameter, year of installation, pipe length, material, failure statistics, environmental conditions and operating conditions.

شبكه آبرساني , سيستم استنتاج فازي عصبي , تعميرات و نگهداري , ابزارهاي مديريتي