بخشی از مقاله
چکیده
تأسیسات تأمین آب به علت تأثیر شگرفشان بر بهداشت و سلامت جوامع انسانی یکی از حیاتی ترین زیرساخت ها در هر کشور به حساب می آیند. لوله ها از اصلی ترین مؤلفه های این زیرساخت ها وظیفه انتقال آب با شرایط استاندارد را به مشترکین دارا می باشند. زوال و شکست لوله ها سبب وقوع اختلال و بروز مشکلات عدیده اقتصادی و اجتماعی برای جامعه میشود. در این تحقیق، ساختار جدیدی با استفاده از دستهبندی نرخ شکست لوله تدوین گردیده است و با بهرهگیری از روشهای شبکه پرسپترون چند لایه - MLP - و تحلیل تفکیک خطی - LDA - به پیش بینی گروه شکست لولهها در دو سناریو پرداخته شده است. لازم به ذکر است روش MLP با سود بردن از الگوریتمهای آموزش BFGS و گرادیان توأم، در قالب دو مدل به کار رفته است. به منظور ارزیابی روش های نامبرده، شبکه انتقال آب تعدادی روستا در استان یزد به عنوان مطالعه موردی انتخاب شده است. نتایج حاکی از برتری مدل MLP تحت الگوریتم آموزش BFGS نسبت به دیگر روشها دارد به طوری که کمترین میانگین خطای نسبی - MRE - را داشته است. این مدل با کسب مقادیر 10/63 و 7/27 درصد در معیار MRE، بیشترین دقت را در سناریوهای اول و دوم به دست آورده است.
کلمات کلیدی: نرخ شکست لوله، شبکه آبرسانی، مدلهای آماری و دادهمحور، دستهبندی
.1 مقدمه
شناخت مکانیزم فرسودگی و شکست لوله های انتقال آب در شبکههای آبرسانی و توسعه مدلهای پیشبینی شکست امری ضروری است که تدوین سیاست های بازسازی و نوسازی بهینه شبکههای آب، بدون آن امکانپذیر نخواهد بود .[4] در واقع کاهش آب بدون درآمد و بهینهسازی عملیات بازسازی و نوسازی شبکههای توزیع آب اموری هستند که انجام آنها نیازمند درک و شناخت فرآیند فرسودگی و شکست لولههای آب و توسعه مدلهای پیشبینی شکست می باشد .[4,5] پدیده ترکیدگی و شکست لوله ها در شبکه های آب کم و بیش اتفاق میافتد و در صورتی که مقاومت باقیمانده لولههای فرسوده برای تحمل نیروهای واره کافی نباشد این پدیده به طور مکرر رخ خواهد داد .[7]
با توجه به ویژگیها و توانمندیهای روشهای دادهمحور در درک پارامترهای مؤثر و حاکم بر پدیدههای پیچیده، استفاده از این روش ها در زمینه شکست لولههای انتقال آب اجتنابناپذیر میباشد. در این میان، شیوهی دادهمحور شبکه عصبی مصنوعی - ANN - در تحقیق حاضر به کار گرفته شده است تا نرخ شکست لوله در قالبی جدید گروهبندی گردد. همچنین در این پژوهش برای اولین بار سعی شده است از روش آماری تحلیل تفکیک خطی - LDA - در این زمینه استفاده شود.
.2 پیشینه تحقیق
تابش و همکاران 1387 - - ، تحقیقی پیرامون عوامل مؤثر در شکست لوله های شبکه آبرسانی و روشهای پیشبینی آن انجام داده اند. در این تحقیق با مبنا قرار دادن رگرسیون چندجملهای تکاملی - EPR - با استفاده از الگوی برنامهنویسی ژنتیک و ترکیب پارامترهای دائمی و غیردائمی در بخشی از شبکه توزیع آبِ ناحیهی چهار شهر مشهد، رابطه پیشبینی تعداد شکست در لوله های اصلی آبرسانی با اعمال برخی پارامترهای مؤثر همچون طول، قطر و تعداد مشترکان به طور مستقیم و فشار مت وسط هیدرولیکی به طور غیرمستقیم در منطقه مورد مطالعه بهبود یافته است. در مطالعه مذکور، ابتدا منطقه مطالعاتی پهنه بندی و سپس کل مجموعه داده های استخراج شده از مشخصات شبکه و آمار حوادث به چندین محدوده تقسیم بندی شده است. در همین زمینه هر یک از کلاسهای قطری اصلی ششگانه 80 - تا 300 میلی متر - در پهنهبندیها با لولههای فرضی معادل، مدل شدند. با توجه به معیار قطر- جنس در گروهبندی لولهها و هم چنین در نظر گرفتن شرایط هیدرولیکی و فشاری در منطقه به عنوان معیار پهنهبندی فشار در شبکه، فرم سمبلیکِ - عوامل شکست - مدلها به خوبی نشان میدهد که افزایش نرخ شکست با افزایش سن، طول و فشار لوله در ارتباط بوده و همچنین نسبتی معکوس بین کاهش نرخ شکست با افزایش قطر وجود دارد. از طرف دیگر مشاهده شد که در این شبکه تعداد انشعابات برروی تعداد شکست ها مؤثر نبودهاند.
همچنین ساختار سمبولیک ایجاد شده برای مدل های شکست در لوله های منطقه، کمک شایانی به بهینه سازی زمان تعویض لوله ها با توجه به تأثیر بیشتری که یک پارامتر در مدل اعمال کرده است، مینماید .[1] تابش و همکاران - 1390 - با استفاده از روش های رگرسیون چند متغیره، هوش مصنوعی - عصبی و عصبی- فازی - و همچنین روش دادهکاوی رگرسیون چندجمله ای تکاملی - ترکیبی با برنامهنویسی ژنتیک - به پیش بینی نرخ شکست لوله پرداختند. به منظور ارزیابی روشهای ارائه شده با استفاده از داده های جمع آوری شده حوادث لوله ها در شبکه توزیع آب ناحیه چهار شهر مشهد، مطالعه موردی انجام گردید. نتایج حاصل از مدل شبکه عصبی و رگرسیون چندجملهای تکاملی ترکیبی مؤید این قابلیت بود که این روشها در پیشبینی نرخ شکست لولهها توانمندتر عمل میکنند Ahn et al. - 2005 - .[2] اقدام به پیشبینی شکست لولهها با استفاده از شبکه های عصبی نموده اند. در تحقیق مذکور تنها به برخی از پارامترهای مؤثر در شکست لولهها اشاره و از آنها در پیشبینی شکست استفاده شده است Tabesh et al.
- 2009 - .[6] با مقایسه روشهای رگرسیون غیرخطی - NLR - ، ANN و سیستم استنتاج تطبیقی عصبی- فازی - ANFIS - پارامترهایی همچون سن، قطر، طول، عمق نصب لوله و فشار هیدرولیکی متوسط را مورد بررسی قرار دادند و نرخ شکست را با سه روش مختلف محاسبه کردند. نتایج مقایسه روشهای NLR، ANN و ANFIS نشان داد که دو مدل ANN و ANFIS قابلیت پیشبینی مناسب نرخ شکست لولهها را نسبت به NLR دارا هستند. شبکه های عصبی مصنوعی نسبت به قطر، فشار و سن لوله نسبت به طول و عمق حساستر بوده و در نهایت شبکه عصبی مصنوعی ارزیابی مناسبتر و قابل اطمینانتری از خود نشان داد .XW\ RZVND - 2015 - .[13] به بررسی قابلیت شبکه عصبی پرسپترون در مدل سازی نرخ شکست لوله های توزیع آب و اتصالات منازل در یکی از شهرهای لهستان پرداخته است. در این تحقیق از الگوریتم شبهنیوتونِ BFGS برای آموزش شبکه عصبی استفاده شده است. 50، 25 و 25 درصد کل داده ها به ترتیب برای آموزش، صحتسنجی و آزمون مدل پرسپترون استفاده شده است.
مدلسازی در دو حالت جداگانه برای نرخ شکست لولههای توزیع آب و اتصالات منازل در نظر گرفته شده است. پارامترهای ورودی شامل جنس لوله، طول - کیلومتر - و قطر لوله - میلیمتر - بوده است که در حالت اتصالات منازل، پارامتر سال نصب به ورودیهای دیگر اضافه شده است. نرخ شکست نیز خروجی مدل را تشکیل داده است. در مرحله آموزش، همبستگی بالایی بین دادههای اندازه گیری شده و مدل شده مشاهده شده است. در مرحله آزمون، در حالت اتصال منازل، میزان همبستگی قابل قبول است اما در حالت لوله های توزیع ارتباط معناداری بین دادههای اندازه گیری شده و پیشبینی نشده برقرار نشده است. با این حال مدل ساخته شده میتواند در تشخیص جایگاه تعداد شکست در آینده و برنامهریزی نوسازی لولهها سودمند باشد .[10] در پژوهش های انجام شده در زمینه شکست لوله، موارد ذیل جلب توجه میکند. اول این که رویکرد دستهبندی نرخ شکست لوله و ارتباط آن با مختصات جغرافیایی در تحقیقات دیگر دیده نشده است و دوم این که روش تحلیل تفکیک خطی برای نخستین بار در مطالعه شکست لوله استفاده شده است.
.3 مواد و روشها
در آغاز این بخش، مبانی نظری در مورد روشهای به کار رفته در این مقاله شرح داده شدهاند. در پایان بخش نیز به معرفی مختصر درباره مطالعه موردی در پژوهش حاضر پرداخته شده است. شبکه عصبی پرسپترون چند لایه - MLP - جزء شبکه های عصبی پیش خور و از معروفترین آنها میباشد .[12] در این شبکه ها، گره ها در لایه های متوالی قرار گرفتهاند و ارتباط آنها یک طرفه است و زمانی که یک الگوی ورودی به شبکه اعمال می شود، اولین لایه مقادیر خروجی اش را محاسبه کرده و در اختیار لایه بعدی قرار میدهد. لایه بعدی این مقادیر را به عنوان ورودی دریافت کرده و مقادیر خروجی اش را به لایه بعدی منتقل میکند. تمام مراحل انجام شده در یک شبکه عصبی توسط الگوریتم های ریاضی متفاوت صورت می گیرد. انتخاب الگوریتم آموزش بر سرعت یادگیری و دقت شبکه مؤثر است. همچنین یکی از وجوه تمایز بین شبکه های مختلف متفاوت بودن توابع تحریک در آنهاست. تابع تحریک میتواند خطی یا غیرخطی باشد که بر اساس نیاز مسأله انتخاب می شود. در عمل تعداد محدودی از توابع تحریک مورد استفاده قرار میگیرند .[8] طرح مفهومی از شبکه عصبی پرسپترون سه لایه در شکل 1 نمایش داده شده است. در تحقیق حاضر، از شبکه عصبی پرسپترون با ساختار سه لایه با الگوریتم های آموزش گرادیان توأم - CG - و BFGS به همراه توابع تحریک لگاریتم سیگمویید و تانژانت هایپربولیک استفاده شده است.
شکل .1 شبکه عصبی پیشخور چند لایه [11]
تحلیل تفکیکی یک مدل پیشبینی کننده برای اعضای یک گروه ایجاد میکند. مدل شامل عملکرد توصیفی بر پایه ترکیبات متغیرهای پیش بینی کننده است که توصیف قابل قبولی بین گروهها ایجاد میکند. این روش در موارد قابل
