کالیبراسیون مدل تحلیل هیدرولیکی EPANET با استفاده از الگوریتم ژنتیک
محل انتشار: سومین کنگره ملی مهندسی عمران
سال انتشار: 1386
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 3,772
فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
NCCE03_525
تاریخ نمایه سازی: 27 شهریور 1385
چکیده مقاله:
در شرایط کنونی، استفاده از مدلهای کامپیوتری به منظور شبیه سازی هیدرولیکی جریان در شبکه های توزیع آب گسترش قابل توجهی یافته و نقش موثری را در ارزیابی و مدیریت آب شهری و تصمیمات آتی برای سیستم ایفا می کنند. مساله حائز اهمیت در روند مدلسازی این است که کیفیت نتایج خروجی متاثر از داده های ورودی می باشد. لیکن عوامل زیادی از جمله تغییر ضریب زبری، میزان تقاضا، قطر داخلی و ... را می توان برشمرد که ممکن است باعث بوجود آمدن خطا در مقادیر ورودی گردد، ضمن اینکه اصولا طراحی شبکه ها همراه با فرضیاتی است که لزوما با واقعیت سیستم در زمان بهره برداری منطبق نخواهد بود. بنابراین به منظور اصلاح عملکرد مدل و کاهش اثر عدم قطعیتها برای شرایط مختلف مصرف در شبکه، انجام پروسه کالیبراسیون مدل ضروری است. در حال حاضر نرم افزارهای معدودی ازجمله WaterCAD، علاوه بر تحلیل هیدرولیکی دارای توانایی انجام پروسه کالیبراسیون هستند. لیکن، بدلیل محدودیت های مختلف، امکان دسترسی به نسخه اصلی مدلهای مذکور ناممکن و یا مستلزم صرف هزینه های هنگفت می باشد. از طرف دیگر ، مدل محبوب EPANET که دارای استفاده و اعتبار زیادی در زمنیه تحلیل هیدرولیکی شبکه های آب است قابلیت انجام کالیبراسیون را ندارد. در این مقاله، با طرح یک مساله بهینه سازی جهت انجام کالیبراسیون یک مدل الگوریتم ژنتیک تهیه و با مدل EPANET ادغام گردید. در این فرایند زبری لوله های شبکه ( ضرایب هیزن-ویلیامز) به عنوان متغیر دارای عدم قطعیت در نظر گرفته شده است. در پایان یک شبکه نمونه در شرایط مختلف مصرف مورد تحلیل و بررسی قرار گرفته است.
کلیدواژه ها:
نویسندگان
مهدی جاماسب
دانشجوی کارشناسی ارشد، دانشکده مهندسی عمران، پردیس فنی دانشگاه تهران
مسعود تابش
استادیار دانشکده مهندسی عمران پردیس فنی دانشگاه تهران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :