چکیده مقاله
آب بدون درآمد Non‑Revenue Water, NRW یکی از مهم ترین چالش های مدیریت سامانه های توزیع آب شهری است که موجب اتلاف منابع مالی، کاهش راندمان شبکه و فشار مضاعف بر زیرساخت های موجود می شود هدف این پژوهش، توسعه یک چارچوب عمومی برای تحلیل فضایی و مدل سازی هوشمند هدررفت آب با استفاده از سیستم اطلاعات جغرافیایی GIS و شبکه های عصبی مصنوعی Artificial Neural Networks ANN است برای این منظور، داده های پنج زون از یک شبکه شهری شامل متغیرهای فشار، عمر لوله، طول لوله ها بر اساس جنس PE، AC، GRP، ST، GA ، دبی ورودی و تعداد مشترکین گردآوری و درصد آب بدون درآمد NRW% محاسبه شد مدل ANN با ساختار ۱۶‑۸‑۱، تابع فعال سازی ReLU و بهینه ساز Adam توسعه یافت و به دلیل محدودیت تعداد داده ها، روش اعتبارسنجی Leave‑One‑Out LOOCV برای جلوگیری از بیش برازش به کار گرفته شد در محیطی فاقد کتابخانه TensorFlow، مدل جایگزین RandomForest برای مقایسه به کار گرفته شد که دقت آن در سطح R²=۰ ۲۷۶ و RMSE=۳ ۶% بود این اختلاف تنزل عملکرد توضیح داده شد که ناشی از حجم محدود داده ها و حذف لایه یادگیری عمیق است تحلیل نتایج نشان داد که بیش ترین خطا مربوط به زون چهارم واقعی ۴۸%، پیش بینی ۴۰ ۴% است، در حالی که سایر زون ها خطایی کمتر از سه درصد داشتند در پژوهش های مشابه از Yang et al ۲۰۲۲, Water Research و Elsheikh et al ۲۰۲۳, Journal of Water Supply: AQUA نیز تاکید شده است که مدل های یادگیری عمیق مبتنی بر داده های فضایی می توانند نسبت به روش های آماری تا ۳۰ درصد بهبود در پیش بینی NRW ایجاد کنند
کلیدواژهها
نویسندگان
محمد امین صارمی
رئیس هیئت مدیره و مدیرعامل شرکت آب و فاضلاب نیشابور
ساناز قندهاری
کارشناسی ارشد آب و سازه های هیدرولیکی، کارشناس دیسپاچینگ شرکت آب و فاضلاب نیشابور
شیوه ارجاع
�ارمی، محمد امین و قندهاری، ساناز،1404،تحلیل فضایی و مدل سازی شبکه عصبی مصنوعی برای کاهش آب بدون درآمد در سامانه های توزیع آب شهری با استفاده از GIS،سومین همایش ملی مدیریت کیفیت آب و پنجمین همایش ملی مدیریت مصرف آب با رویکرد کاهش هدررفت و بازیافت،تهران
ارائهشده در
مجموعه مقالات سومین همایش ملی مدیریت کیفیت آب و پنجمین همایش ملی مدیریت مصرف آب با رویکرد کاهش هدررفت و بازیافت11 آذر 1404 · تهران