Operation of irrigation canals using intelligent methods

Environmental Sciences Pub Date : 2022-03-21 DOI:10.52547/envs.2021.1045

F. Bayat, H. Ghodousi, K. Shahverdi

{"title":"Operation of irrigation canals using intelligent methods","authors":"F. Bayat, H. Ghodousi, K. Shahverdi","doi":"10.52547/envs.2021.1045","DOIUrl":null,"url":null,"abstract":"مقدمهرشد سریع جمعیت، کشاورزی، شهرنشینی و صنعت موجب افزایش تقاضای آب و رقابت برای مصارف مختلف شده است. ترویج بهره‌وری آب در کشاورزی تأثیر قابل توجهی بر افزایش راندمان مصرف آب دارد. روش‌های توزیع و تحویل آب نیز نقش تعیین‏کننده‌ای در میزان انعطاف‌پذیری سامانه‌‌های آبیاری و بهبود بهره‌وری آب دارند. از میان روش‌های موجود، روش تحویل برحسب درخواست انعطاف‌پذیری بیشتری نسبت به روش گردشی دارد و نسبت به روش برحسب تمایل (بر حسب تقاضا) به زیرساخت‌های کمتری نیاز دارد. تنظیم مناسب سازه‌ها و دستورالعمل‌های بهره‌برداری بین درخواست‌های متوالی تابعی از تغییرات دبی، فاصله زمانی بین بهره‌برداری‌ها، همزمانی درخواست‌های مختلف، شرایط فیزیکی سازه‌های کانال و رفتار هیدرودینامیکی جریان می‌باشد که موجب پیچیدگی و لزوم استفاده از روش‌های ریاضی جهت مدل‌سازی و بهره برداری می-گردد. در این تحقیق از روش جدید FSL (آموزش سارسای فازی) و روش ANN (شبکه‌های عصبی مصنوعی) استفاده گردید و بمنظور تعیین عملکرد روش جدید بکار رفته عملکرد آن با روش‌ ANN مقایسه گردید. داده‌های بکار رفته نیز مربوط به کانال عقیلی شرقی واقع در استان خوزستان می‌باشند. مواد و روش‌هادر این تحقیق، مقایسه کارائی دو روش یادگیری مدرن (یادگیری تقویتی سارسای فازی) و یادگیری سنتی (شبکه‌های عصبی مصنوعی) به‌منظور برنامه‌ریزی توزیع و تحویل آب در روش تحویل برحسب درخواست در کانال عقیلی شرقی استان خوزستان انجام شد. به منظور شبیه‌سازی از 70%، 15% و 15% داده‌ها به ترتیب برای آموزش، کالیبراسیون و اعتبار سنجی مدل‌ها استفاده شد. یادگیری و آموزش داده‌های دبی و بازشدگی آبگیرها توسط شبکه‌های عصبی مصنوعی پرسپترون چند لایه و تابع پایه شعاعی انجام و بهترین حالت تنظیم سازه‌ها با استفاده از معیارهای ضریب همبستگی و ریشه میانگین مربعات خطا انتخاب شد. همچنین بهترین تنظیم سازه‌ها با استفاده از روش یادگیری تقویتی نیز استخراج گردید. به ‌منظور ارزیابی نتایج نیز از شاخص‏های راندمان، کفایت، پایداری و عدالت در تحویل آب و همچنین شاخص‌های میانگین و حداکثر نوسانات سطح آب نسبت به عمق هدف استفاده گردید. نتایج و بحث بر اساس نتایج بدست آمده مشاهده شد که شاخص MPA (عدالت در تحویل) در روش شبکه عصبی مصنوعی برای بلوک‌های اول و دوم کانال به ترتیب برابرند با 952/0 و 919/0 و در حالت استفاده از روش سارسای فازی این مقادیر به ترتیب برابر 996/0 و 1 می‌باشند. همچنین مقادیر شاخص MPF (راندمان در تحویل) در هنگام شبیه‌سازی با استفاده از شبکه عصبی در هر دو بلوک برابر 1 می‌باشد و در شبیه‌سازی با استفاده از FSL این مقادیر برابر 999/0 و 971/0 می‌باشند. در روش MLP خطای حداکثر نوسانات سطح آب در بلوک‌های اول و دوم به ترتیب برابرند با 2/9 و 8/3 درصد و در روش FSL این خطاها برابرند با 5/5 و 4/7 درصد. نتایج نشان داد که شاخص‌های میانگین و حداکثر نوسانات سطح آب برابر حداقل خود می‌باشند و شاخص‌های تحویل آب نیز به مقادیر مطلوبشان طبق نتایج مولدن و گیتس (1990) نزدیک می‌باشند. بطور کلی می‏توان نتیجه گرفت با توجه به شاخص‎های ارزیابی، روش FSL نتایج بهتری نسبت به روش MLP دارد. با این حال نتایج روش MLP نیز قابل قبول و معتبر می‏باشد.نتیجه‌گیریدر این تحقیق از روش شبکه‌های عصبی پرسپترون چندلایه و تابع پایه شعاعی در برنامه متلب جهت تعیین دستورالعمل-های بهره‌برداری کانال عقیلی شرقی در استان خوزستان استفاده شد و نتایج با روش سارسای فازی مورد مقایسه قرار گرفت. بمنظور شبیه‌سازی هیدرودینامیکی کانال نیز مدل ICSS مورد استفاده قرار گرفت. بررسی‌ها نشان داد که نتایج شبکه پرسپترون چندلایه از شبکه تابع پایه شعاعی بهتر است و نتایج مدل‌سازی با روش سارسای فازی نیز از روش پرسپترون چندلایه مناسب‌تر می‌باشد. اما بهرحال هر دو روش می‌توانند در عمل مورد استفاده قرار گیرند.","PeriodicalId":11919,"journal":{"name":"Environmental Sciences","volume":null,"pages":null},"PeriodicalIF":0.0000,"publicationDate":"2022-03-21","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Environmental Sciences","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.52547/envs.2021.1045","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}

引用次数: 0

Abstract

مقدمهرشد سریع جمعیت، کشاورزی، شهرنشینی و صنعت موجب افزایش تقاضای آب و رقابت برای مصارف مختلف شده است. ترویج بهره‌وری آب در کشاورزی تأثیر قابل توجهی بر افزایش راندمان مصرف آب دارد. روش‌های توزیع و تحویل آب نیز نقش تعیین‏کننده‌ای در میزان انعطاف‌پذیری سامانه‌‌های آبیاری و بهبود بهره‌وری آب دارند. از میان روش‌های موجود، روش تحویل برحسب درخواست انعطاف‌پذیری بیشتری نسبت به روش گردشی دارد و نسبت به روش برحسب تمایل (بر حسب تقاضا) به زیرساخت‌های کمتری نیاز دارد. تنظیم مناسب سازه‌ها و دستورالعمل‌های بهره‌برداری بین درخواست‌های متوالی تابعی از تغییرات دبی، فاصله زمانی بین بهره‌برداری‌ها، همزمانی درخواست‌های مختلف، شرایط فیزیکی سازه‌های کانال و رفتار هیدرودینامیکی جریان می‌باشد که موجب پیچیدگی و لزوم استفاده از روش‌های ریاضی جهت مدل‌سازی و بهره برداری می-گردد. در این تحقیق از روش جدید FSL (آموزش سارسای فازی) و روش ANN (شبکه‌های عصبی مصنوعی) استفاده گردید و بمنظور تعیین عملکرد روش جدید بکار رفته عملکرد آن با روش‌ ANN مقایسه گردید. داده‌های بکار رفته نیز مربوط به کانال عقیلی شرقی واقع در استان خوزستان می‌باشند. مواد و روش‌هادر این تحقیق، مقایسه کارائی دو روش یادگیری مدرن (یادگیری تقویتی سارسای فازی) و یادگیری سنتی (شبکه‌های عصبی مصنوعی) به‌منظور برنامه‌ریزی توزیع و تحویل آب در روش تحویل برحسب درخواست در کانال عقیلی شرقی استان خوزستان انجام شد. به منظور شبیه‌سازی از 70%، 15% و 15% داده‌ها به ترتیب برای آموزش، کالیبراسیون و اعتبار سنجی مدل‌ها استفاده شد. یادگیری و آموزش داده‌های دبی و بازشدگی آبگیرها توسط شبکه‌های عصبی مصنوعی پرسپترون چند لایه و تابع پایه شعاعی انجام و بهترین حالت تنظیم سازه‌ها با استفاده از معیارهای ضریب همبستگی و ریشه میانگین مربعات خطا انتخاب شد. همچنین بهترین تنظیم سازه‌ها با استفاده از روش یادگیری تقویتی نیز استخراج گردید. به ‌منظور ارزیابی نتایج نیز از شاخص‏های راندمان، کفایت، پایداری و عدالت در تحویل آب و همچنین شاخص‌های میانگین و حداکثر نوسانات سطح آب نسبت به عمق هدف استفاده گردید. نتایج و بحث بر اساس نتایج بدست آمده مشاهده شد که شاخص MPA (عدالت در تحویل) در روش شبکه عصبی مصنوعی برای بلوک‌های اول و دوم کانال به ترتیب برابرند با 952/0 و 919/0 و در حالت استفاده از روش سارسای فازی این مقادیر به ترتیب برابر 996/0 و 1 می‌باشند. همچنین مقادیر شاخص MPF (راندمان در تحویل) در هنگام شبیه‌سازی با استفاده از شبکه عصبی در هر دو بلوک برابر 1 می‌باشد و در شبیه‌سازی با استفاده از FSL این مقادیر برابر 999/0 و 971/0 می‌باشند. در روش MLP خطای حداکثر نوسانات سطح آب در بلوک‌های اول و دوم به ترتیب برابرند با 2/9 و 8/3 درصد و در روش FSL این خطاها برابرند با 5/5 و 4/7 درصد. نتایج نشان داد که شاخص‌های میانگین و حداکثر نوسانات سطح آب برابر حداقل خود می‌باشند و شاخص‌های تحویل آب نیز به مقادیر مطلوبشان طبق نتایج مولدن و گیتس (1990) نزدیک می‌باشند. بطور کلی می‏توان نتیجه گرفت با توجه به شاخص‎های ارزیابی، روش FSL نتایج بهتری نسبت به روش MLP دارد. با این حال نتایج روش MLP نیز قابل قبول و معتبر می‏باشد.نتیجه‌گیریدر این تحقیق از روش شبکه‌های عصبی پرسپترون چندلایه و تابع پایه شعاعی در برنامه متلب جهت تعیین دستورالعمل-های بهره‌برداری کانال عقیلی شرقی در استان خوزستان استفاده شد و نتایج با روش سارسای فازی مورد مقایسه قرار گرفت. بمنظور شبیه‌سازی هیدرودینامیکی کانال نیز مدل ICSS مورد استفاده قرار گرفت. بررسی‌ها نشان داد که نتایج شبکه پرسپترون چندلایه از شبکه تابع پایه شعاعی بهتر است و نتایج مدل‌سازی با روش سارسای فازی نیز از روش پرسپترون چندلایه مناسب‌تر می‌باشد. اما بهرحال هر دو روش می‌توانند در عمل مورد استفاده قرار گیرند.

查看原文

微信好友朋友圈 QQ好友复制链接

本刊更多论文

利用智能方法操作灌溉渠

使用了MLP、RBF和FSL输出、水深的最大和平均误差、充分性、效率、公平性和可靠性。结果和讨论:2017年3月在Aghili运河东部使用MLP确定了操作指令，并与使用FSL确定的相应操作指令进行了比较。从所得结果可以看出，人工神经网络法在该航道第一段和第二段的MPA指数分别为0.952和0.919，而FSL法的MPA指数分别为0.996和1。此外，在两个区块中，使用人工神经网络模拟的MPF指数等于1，在FSL的情况下，这些值分别等于0.999和0.971。第一块和第二块水位MAE的最大误差分别为9.2%和3.8%，FSL法的最大误差分别为5.5%和7.4%。结果表明，MLP在确定操作指令方面优于RBF。根据Molden和Gates(1990)标准，MAE和IAE指标是最低的，供水指标接近其期望值。结果表明，FSL优于MLP，但MLP的结果是有效的，可以用于实际。结论:在本研究中，采用人工神经网络模型在MATLAB中确定操作指令。使用MLP和RBF进行训练，使用东部Aghili运河数据。采用ICSS模拟根管。结果表明，MLP优于RBF, FSL模型也优于MLP。然而，这两种方法都可以在实践中使用。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文去求助

来源期刊

Environmental Sciences

自引率

0.00%

发文量