پیش‌بینی تعداد گرفتگی در شبکه فاضلاب شهری (مطالعه موردی: منطقه دو اصفهان)

امروزه شبکه فاضلاب بخش جدایی‌ناپذیر زندگی شهری محسوب می‌شود. با توجه به اهمیت این شبکه به‌عنوان یکی از زیرساخت‌های شهری، وقوع شکست در این سیستم علاوه بر توقف سرویس‌دهی، منجر به ایجاد پیامدهای اجتماعی، اقتصادی و محیط‌زیستی ‌زیادی می‌شود. از این‌رو ارزیابی وضعیت شبکه‌های فاضلاب و شکست‌هایی که در شبکه اتفاق می‌افتد یک رویکرد مهم در مدیریت آن است. در حالت کلی منظور از شکست، کلیه حالاتی است که عملکرد سیستم با مشکل مواجه می‌شود. به‌طور کلی روش‌های هوش مصنوعی به‌عنوان روشی کم‌هزینه به‌منظور پیش‌بینی شکست مورد استفاده قرار می‌گیرند. در این پژوهش از برنامه‌ریزی ژنتیک به‌منظور پیش‌بینی تعداد گرفتگی (شکست هیدرولیکی) در شبکه فاضلاب، استفاده و نتایج آن با نتایج حاصل از مدل شبکه عصبی مقایسه ‌شد. به‌این منظور قسمتی از شبکه فاضلاب شهر اصفهان به‌عنوان مطالعه موردی بررسی ‌شد. با توجه به پارامترهای تأثیرگذار بر شکست هیدرولیکی، پارامترهایی نظیر سن، طول، شیب و عمق دفن لوله‌ها به‌عنوان ورودی و تعداد گرفتگی به‌عنوان خروجی مدل در نظر گرفته ‌شد. در این پژوهش از اطلاعات مربوط به گرفتگی در شبکه فاضلاب مربوط به سال‌های 1394 و 1395 استفاده شد که 70 درصد داده‌ها برای آموزش و 30 درصد برای آزمایش به‌کار رفت. اطلاعات به سه شکل دسته‌بندی شد و سه مدل مختلف ارائه شد. در مدل اول اطلاعات بر اساس شیب و در دو مدل دیگر اطلاعات بر اساس عمق دفن، دسته‌بندی شدند و نتایج تحلیل ‌شد. بررسی نتایج نشان ‌داد که هر سه مدل دارای نتایج قابل قبولی هستند. همچنین مقایسه نتایج دو مدل نشان ‌داد که دقت روش برنامه‌ریزی ژنتیک نسبت به شبکه عصبی بهتر است. به‌طور نمونه، در برنامه‌ریزی ژنتیک مقدار R2  و RMSE  برای مدل دوم در مرحله آموزش، 97/0 و 8/0 و در مرحله آزمایش به‌ترتیب برابر 94/0 و 69/0 بود که این مقادیر در شبکه عصبی در مرحله آموزش، 96/0 و 95/0 و در مرحله آزمایش به‌ترتیب برابر 87/0 و 96/0 بود. با بررسی نتایج به‌دست آمده، برتری روش برنامه‌ریزی ژنتیک نسبت به شبکه عصبی مشهود است. همچنین مدل دوم نتایج بهتری داشت. نتایج حاصل از این مدل‌ها را می‌توان در زمینه تعمیرات پیشگیرانه، اولویت‌بندی تعمیرات و بازرسی‌های شبکه فاضلاب به‌کار برد و در نتیجه از وقوع حوادث ناگهانی در شبکه جلوگیری نمود.

کلیدواژه ها:

پیش‌بینی شکست هیدرولیکی ، برنامه‌ریزی ژنتیک ، شبکه فاضلاب ، تعداد گرفتگی ، مدل شبکه عصبی مصنوعی