«یادداشت تحقیقاتی» برآورد عدم قطعیت متغیرهای مؤثر بر شبکه آبرسانی بر اساس فرضیه حداقل‌سازی نوسانات دبی

نوع مقاله: یادداشت تحقیقاتی

نویسندگان

1 دانش آموخته کارشناسی ارشد در دانشگاه شهید چمران اهواز

2 استاد دانشگاه شهید چمران اهواز

3 دانشیار دانشگاه شهید چمران اهواز

چکیده

تحلیل و طراحی شبکه‌های آبرسانی، عموماً با در نظر گرفتن پارامترهای ورودی به‌صورت مقادیر قطعی انجام می‌شود؛ درحالی‌که پارامترهای ورودی شبکه آبرسانی مقادیری غیرصریح و دارای عدم قطعیت می‌باشند. پارامترهای ورودی موردمطالعه در این تحقیق، ضرایب زبری لوله‌ها و مصارف گرهی می‌باشند. مقدار ضریب زبری لوله‌ها با افزایش سن شبکه آبرسانی و مقدار مصارف گرهی با تغییر در تراکم جمعیت و الگوی مصرف، تغییر می‌کنند. عدم قطعیت در پارامترهای ورودی می‌تواند به‌طور قابل‌ملاحظه‌ای نتایج به‌دست‌ آمده از مدل شبیه‌ساز هیدرولیکی شامل دبی لوله‌ها و فشار در گره‌ها را دستخوش تغییر کند. برای تحلیل عدم قطعیت، در این تحقیق از نظریه مجموعه فازی استفاده‌ شده است. عدم قطعیت در ضریب زبری لوله‌ها و مصارف گرهی به‌صورت عدد فازی وارد مسأله می‌شود. در این تحقیق، میزان یکنواختی توزیع جریان در لوله‌های شبکه از طریق محاسبه نوسانات جریان با استفاده از مفهوم انحراف معیار دبی‌ها، به‌عنوان پاسخ مورد ارزیابی در نظر گرفته‌ شده است. برای بررسی عدم قطعیت میزان انحراف معیار دبی‌ها، اعداد فازی ورودی به سطوحی با تابع عضویت مشخص منقطع شده‌اند و در هر سطح دو مسأله بهینه‌سازی برای محاسبه مقادیر حداقل و حداکثر انحراف معیار دبی‌ها انجام‌ شده است. با مشاهده نتایج می‌توان گفت هر چه عدد فازی متغیر خروجی نسبت به عدم قطعیت پارامترهای ورودی، در محدوده کوچکتری تغییر کند و عدم قطعیت کمتری داشته باشد، آن طرح نسبت به تغییراتی مانند افزایش عمر شبکه یا مصرف، مقاوم‌تر بوده و در نتیجه مناسب‌تر است.

کلیدواژه‌ها


Aghmiuni, S.S., Haddad, O.B., Omid, M.H. and Mariño, M.A., (2013). "Effects of pipe roughness uncertainty on water distribution network performance during its operational period"., J. Water Resour Manage., 27)15(, pp. 1581-1599.

Bao, Y. and Mays, L., (1990). "Model for water distribution system reliability", J. Hydraulic Eng., 116)9(, pp. 1119–1137.

Chiu, S., (1994). "Fuzzy model identification based on cluster estimation", J. Intell. Fuzzy Syst., 2)3), pp. 747–753.

Haghighi, A., M.V.Samani, H. and M.V.Samani, Z., (2011). "GA-ILP method for optimization of water distribution networks", Water Resour. Manage., 25(7), pp. 1791-1808.

Haghighi, A. and Zahedi Asl, A., (2014). "Uncertainty analysis of water supply networks using the fuzzy set theory and NSGA-II", Eng. Appl. Artif. Intel., 32, pp. 270-282.

Jang, J.R., (1993). "ANFIS: Adaptative-network-based fuzzy inference system", IEEE Trans. Syst. Man. Cybern., 23(3), pp. 665–685.

Kandel, A., (1992). Fuzzy expert system, CRC, Boca Ratan, FL.

Martinez, H.B., (2007). "Quantifying the economy of water supply looped networks", J. Hydraulic Eng., 133(1), pp. 88-97.

Pedrycz, W., (1989). Fuzzy control and fuzzy systems, Wiley, New York.

Revelli, R. and Ridolfi, L., (2002). "Fuzzy approach for analysis of pipe networks"., J. Hydraulic Eng., 128(1), pp. 93-101.

Spiliotis, M., and Tsakiris, G., (2012)., "Water distribution network analysis under fuzzy demand", Civil Eng. Environ. Syst., 29(2), pp. 107–122.
Sugeno, M., (1985), Industrial applications of fuzzy control, Elsevier, New York.

Wang, L.X., (1992), "Fuzzy system are universal approximators", Proc. ,IEEE Int. Conf. on FuzzySystems, San Diego.

Zadeh, L.A., (1965). "FuzzySets", Inf. Control 8(3), pp. 338–353.

Zimmerman, H.J., (1985). Fuzzy set theory and its application, Martinus Nijhoff Boston.