تعیین مشخصات منبع آلودگی در شبکه های توزیع آب با استفاده از الگوریتم ژنتیک

Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 344

This Paper With 11 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_WWJ-32-1_009

تاریخ نمایه سازی: 12 خرداد 1400

Abstract:

آلوده شدن آب آشامیدنی به عنوان یک تهدید برای امنیت آب در سراسر جهان شناخته می شود. در شبکه های توزیع آب، آلودگی پس از ورود به شبکه به سرعت گسترش یافته و خطرات بهداشتی و جانی برای جامعه ایجاد می کند. با استفاده از مجموعه ای از حسگرها که غلظت کلر یا هر ماده شیمیایی دیگر را گزارش دهند، می توان مشاهدات مفیدی برای تشخیص، شناسایی و مدیریت آلودگی ارائه داد. از جمله بر اساس این مشاهدات می‎توان محل، زمان و غلظت آلودگی ورودی به شبکه را تعیین و به تصمیم گیرندگان اعلام کرد. در این پژوهش برای حل مسئله تعیین مشخصات منبع آلودگی، از یک رویکرد شبیه سازی-بهینه سازی استفاده می شود که در آن نرم افزار شبیه سازی شبکه های آب تحت فشار EPANET به عنوان شبیه ساز و الگوریتم ژنتیک به عنوان بهینه ساز به کار رفته است. مدل توسعه یافته در این پژوهش، بر روی EPANET Example ۳ اجرا شد. در مدل سازی شبکه های توزیع آب از اطلاعاتی به عنوان داده های ورودی استفاده شد که می توانند سبب بروز خطا در شبیه سازی مدل شوند. زبری لوله ها و نرخ زوال کلر ازجمله این ورودی ها هستند. مدل برای پیدا کردن مکان، زمان و غلظت آلودگی ورودی اجرا شده و تاثیر زبری لوله ها و نرخ زوال کلر بر جواب های مدل بررسی شده است. سناریوی ورود آلودگی بر روی شبکه اعمال شده و مدل ارائه شده در پیدا کردن مکان و زمان آلودگی کاملا دقیق است. با افزایش متغیرها، مدل مکان و زمان ورود آلودگی را به درستی ارزیابی کرده، اما در ارزیابی غلظت آلودگی دقت کامل را ندارد و غلظت آلودگی با انحراف از معیار ۱/۸%-۸/۴%=σ محاسبه می شود.  

Authors

سجاد خلیلی

دانش آموخته کارشناسی ارشد مهندسی عمران- آب، دانشکده مهندسی عمران، پردیس دانشکده های فنی، دانشگاه تهران، تهران، ایران

مسعود تابش

استاد، دانشکده مهندسی عمران، پردیس دانشکده های فنی، دانشگاه تهران، تهران، ایران

الهام قائمی

دانشجوی دکترای، مهندسی عمران محیط زیست، دانشکده مهندسی عمران، پردیس دانشکده های فنی، دانشگاه تهران، تهران، ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Aral, M., Guan, J. & Morris, L. M. ۲۰۰۱. Identification ...
  • Cristo, C. D. & Leopardi. A. ۲۰۰۸. Uncertainty Effects on ...
  • EPAUS. ۲۰۰۳. Framework for cumulative risk assessment. Washington, DC: US ...
  • https://www.epa.gov/sites/production/files/۲۰۱۴-۱۱/documents/frmwrk_cum_risk_assmnt.pdfGoldberg, D. E. & Holland, J. H. ۱۹۸۸. Genetic algorithms ...
  • Hosseinifard, S. M., Aroon, M. A. & Dahrazma, B. ۲۰۲۰. ...
  • Hu, C., Zhao, J., Yan, X., Zeng, D. & Guo, ...
  • Kumar, J., Brill, E. D., Mahinthakumar, G. & Ranjithan, S. ...
  • Pasha, M. K. & Lansey, K. ۲۰۱۱. Effect of parameter ...
  • Pérez, R Sanz, G., Cugueró, M. À., Blesa, J. & ...
  • Preis, A. & Ostfeld, A. ۲۰۱۱. Hydraulic uncertainty inclusion in ...
  • Preis, A., Ostfeld, A. & Perelman, L. ۲۰۰۷. Contamination source ...
  • Rossman, L. A. ۲۰۰۰. EPANET ۲ user's manual, water supply ...
  • Shirzad, A., Tabesh, M., Farmani, R. & Mohammadi, M. ۲۰۱۳. ...
  • Tabesh, M. ۲۰۱۶. Advanced modeling of water distribution networks. University ...
  • Tabesh, M., Tanyimboh, T. T. & Burrows, R. ۲۰۰۲. Head-driven ...
  • Vankayala, P., Sankarasubramanian, A., Ranjithan, S. R. & Mahinthakumar, G. ...
  • Vrachimis, S. G., Lifshitz, R., Eliades, D. G., Polycarpou, M. ...
  • Xuesong, Y., Jie, S. & Chengyu, H. ۲۰۱۷. Research on ...
  • Zafari, M. ۲۰۱۵. Minimization the effects of contaminant emission in ...
  • نمایش کامل مراجع