بخشی از پاورپوینت
اسلاید 2 :
کاربرد شبکه عصبی مصنوعی در شناسایی محل و زمان تزریق بار آلودگی ناگهانی به شبکه توزیع آب شهری
اسلاید 3 :
چکیده
نگرانیهای رو به رشد تهدیدات توزیع آب در مورد پتانسیل نفوذ آلایندهها از طریق فرسودگی زیرساختها، جریان برگشتی و از همه مهمتر، حملات تروریستی با وارد کردن ماده آلاینده شیمیایی از طریق مکانهای حساس و پرخطر همواره وجود داشته است. از جمله مشکلاتی که همواره در مورد سیستمهای توزیع آب وجود دارد، تزریق آلاینده به صورت عمدی و در هر زمان میباشد. زیرا به دلیل نامشخص بودن نوع آلاینده، محل و زمان تزریق آلاینده و پیامدهای ناشی از آن، باعث بروز مشکلات عدیدهای خواهد شد.
بدین منظور برای جلوگیری از ادامه تزریق باید محل آلودگی در کوتاهترین زمان ممکن شناسایی شود و با مدیریت و اجرای تمهیدات لازم و مناسب از گسترش آلودگی در بخش وسیعی از شبکه و آسیب دیدن عموم مردم جلوگیری به عمل آمده و بخشهایی از شبکه که آلودگی در آن جریان دارد، پاکسازی شود. در این مقاله به بررسی عملکرد شبکه عصبی مصنوعی در خصوص تعیین مکان و زمان ورود بار آلودگی در شبکه توزیع آب شهری پرداخته شد. همچنین به منظور شبیهسازی از نرمافزار ایپانت که یکی از پرکاربردترین نرمافزارهای شبیهسازی هیدرودینامیک و کیفیت آب میباشد، استفاده شد.
اسلاید 4 :
مواد و روش ها
در این تحقیق برای تعیین محل جایگذاری سنسورهای نظارت از نتایج مطالعه اوستفلد و سالومون در سال 2005 که در زمینه مکانیابی سنسورهای پایش بر روی شبکه مثال 3 نرمافزار ایپانت انجام گرفته بود، همان طور که در شکل 1 مشاهده میشود، استفاده شد. سپس با استفاده از رویکرد هوش مصنوعی (شبکه عصبی)، به تعیین محل و زمان شروع تزریق آلودگی در دو بخش پرداخته شد. در بخش اول فقط مکان ورود آلودگی و در بخش دوم زمان تزریق آلودگی شناسایی شد. ابتدا به تعداد N×T سناریوی مختلف (N تعداد نقاط تزریق و T تعداد زمانهای تزریق)، عمل تزریق بار آلودگی انجام شد و سپس مدل ایپانت برای هر کدام از آرایشهای قرارگیری سنسورها به طور مجزا اجرا گردید و نتیجه در فرمتهای مناسب (فرمت npt)، ذخیره شدند. بدیهی است که اطلاعاتی همچون وضعیت کیفیت آب در سنسورهای پایش در زمانهای مختلف جزء متغیرهای مستقل مدل و نقاط ورود بار آلاینده و نیز زمان ورود بار آلاینده جزء متغیرهای وابسته خواهد بود در ادامه با استفاده از نتایج ذخیره شده، شبکههای عصبی مختلفی ساخته و آموزش
شکل 1: محل جایگذاری سنسورهای پایش در شبکه مورد مطالعه
اسلاید 5 :
پیدا کردند. 75 درصد دادهها به عنوان دادههای آموزش و 25 درصد دادهها نیز به عنوان دادههای آزمایش (تست) انتخاب شدند. سپس با استفاده از نتایج آزمون- خطاهای مختلف برای هر حالت بهترین معماری شبکه عصبی برگزیده شد. در اغلب موارد شبکه عصبی از نوع پرسپترون با حدود 8 الی 10 لایه داخلی و حدود 15 الی 20 نورون در هر لایه مناسبترین شبکهها بودند.
نتایج
در این نمودار از گام زمانی 36 (ساعت 3) به بعد شانس موفقیت در تعیین منبع آلودگی در حال افزایش میباشد. جهت تعیین بهترین شبکه عصبی پیشنهادی، از شاخص مجذور ضریب همبستگی استفاده شد. مقدار r2 به دست آمده برای دادههای آموزش برابر 9/81 درصد، برای دادههای آزمایش 5/79 درصد و برای کل برابر با 4/80 درصد به دست آمد. گامهای زمانی محاسبه کیفیت آب در این مساًله 5 دقیقه میباشد یعنی در صورتی که اطلاعات مربوط به یک ساعت پس از مشاهده اولین خطا در یکی از سنسورها مدنظر قرار بگیرد، تعداد 13 گام زمانی وجود خواهد داشت. لازم به ذکر است که طول زمان تزریق آلودگی و نیز جرم ماده آلاینده ورودی ثابت در نظر گرفته شد.
شکل 2: نمودار درصد موفقیت کشف محل تزریق آلودگی
اسلاید 6 :
شکل 3: نمودار درصد موفقیت کشف زمان شروع آلودگی
در این شکل شاهد افزایش بیش از 50 درصد شانس موفقیت در تعیین زمان شروع آلودگی از گام زمانی 48 به بعد میباشیم. اعداد به دست آمده برای ضریب همبستگی برای دادههای آموزش برابر با 5/87 درصد، دادههای آزمایش 3/85 و در نهایت برای کل برابر با 1/85 درصد میباشد.
میتوان نتیجه گرفت که به ازای افزایش تعداد گامهای زمانی مورد استفاده، شانس موفقیت کشف محل و زمان ورود آلودگی افزایش مییابد. همچنین با افزایش تعداد دادهها، کیفیت و دقت جوابهای شبکه عصبی نیز افزایش مییابد.
به منظور دستیابی به حداکثر سطح ایمنی در سیستمهای توزیع آب، باید در تمام گرههای موجود در سیستم، تجهیزات پایش نصب کرد؛ بدیهی است که این کار به دلیل محدودیتهای اقتصادی ممکن نمیباشد. در این مقاله به بررسی کارایی شبکه عصبی مصنوعی برای تعیین مکان و زمان ورود بار آلودگی در شبکه توزیع آب شهری پرداخته شد. میتوان گفت با وجود فرضیات، نتایج به دست آمده با بکارگیری روش ذکر شده، قابل قبول و نشاندهنده کارایی مؤثر این روش میباشد.
نتیجه گیری و جمع بندی
