حسین نامداری - دانشجوی دکتری مهندسی عمران، مهندسی و مدیریت منابع آب، دانشگاه شهید چمران اهواز ، ایران
علی حقیقی - استاد دانشکده مهندسی عمران و معماری، دانشگاه شهید چمران اهواز ، ایران
سیدمحمد اشرفی - دانشیار دانشکده عمران و معماری، دانشگاه شهید چمران اهواز ، ایران

پیش بینی میزان تقاضای کوتاهمدت آب برای یک شبانه روز در بازه ساعتی به منظور مدیریت شبکه های توزیع آب شهری ضروری می باشد. تقاضای آب دارای ماهیت سری زمانی و الگویی با ساختار پیچیده می باشد که عوامل فراوانی بر روی آن تاثیر دارد و شبکه های عصبی عمیق می توانند گزینه مناسبی برای استخراج این الگوی پیچیده باشند. در این مطالعه از شبکه عصبی GRU که یکی از شبکه های عصبی عمیق و جزء شبکه های عصبی بازگشتی می باشد، برای پیش بینی میزان تقاضای کوتاه مدت آب استفاده شده و نتایج آن با نتایج مدلهای کلاسیک آماری شامل ARIMA و SARIMA مقایسه گردید. تنظیم ابر پارامترها برای رسیدن به معماری بهینه در شبکه عصبی GRU با سعی و خطا انجام شده و مدل در بستر نرم افزاری تنسورفلو و کتابخانه کراس در محیط برنامه نویسی پا یتون پیاده سازی گردید. نتایج شاخص های ارزیابی در این مدلها نشان داد ند که شبکه عصبی GRU با دقتی بسیار بالاتر از مدلهای ARIMA و SARIMA، تقاضای کوتاهمدت آب در بازه ساعتی را پیش بینی می نماید و از آنجایی که داده های تقاضای آب از یک الگوی فصلی تبعیت می کنند، شاخص های ارزیابی در مدل SARIMA نسبت به مدل ARIMA بسیار بهتر می باشد.

شبکه عصبی GRU، پیش بینی تقاضای کوتاه مدت آب، شبکه عصبی عمیق ، شبکه عصبی بازگشتی ، شبکه توزیع آب شهری