کاربرد روش یادگیری تقویتی معکوس در شبکه های آبیاری (مطالعه موردی: شبکه آبیاری دز)

امروزه بسیاری از مردم و کارشناسان در سرتاسر جهان و به ویژه در کشور ما مشکلات ناشی از کمبود آب را در زندگی روزمره خود احساس می کنند، لذا مسئله مدیریت و حفاظت از منابع آب را به عنوان چالشی جدی برای خود و جامعه محسوب می نمایند. وجود بحران آب در سطح جهانی مسئله ای نیست که قابل چشم پوشی باشد و بر این اساس گام های مهمی برای به حداقل رساندن تاثیرات بحران و کمبود آب توسط بخش های مختلف و مسئول در بحث مدیریت منابع آب و مدیریت منابع طبیعی برداشته شده است. سهم آب بخش های مختلف شامل شرب و بهداشت، صنعتی و کشاورزی به ترتیب برابر با 10، 20 و 70 درصد است. بخش عمده مصارف منابع آب یک حوضه در بخش کشاورزی و شبکه های آبیاری و زهکشی مصرف می شود. شبکه های آبیاری و زهکشی مانند رگ های بدن انسان به عنوان شاه راه های توزیع و انتقال آب در یک منطقه کشاورزی عمل می کنند که شامل انواع سازه های انتقال، منحرف کننده، تقسیم کننده و ... است که بهره برداری نادرست از این شبکه ها موجب تلفات زیاد آب می شود و مدیریت صحیح این شبکه ها به منظور کاهش حجم قابل توجهی از تلفات، کاملا ضروری است. برنامه ریزی توزیع و تحویل آب، عملکرد شبکه های آبیاری را به طور قابل ملاحظه ای تغییر می دهد. تعیین عوامل اصلی توزیع و تحویل آب شامل تعیین مقادیر دبی (Q)، مدت زمان (T) و دوره یا فرکانس (F) تحویل آب به هر گروه از مصرف کنندگان است. توزیع و تحویل آب به عنوان عناصر کلیدی در افزایش انعطاف پذیری عملکرد کانال و بهبود کارایی مصرف آب هستند. در میان روش های مختلف، روش بر حسب درخواست از نظر معیارهای مختلف مانند انعطاف پذیری، زیرساخت و هزینه بین روش های گردشی و برحسب تمایل می باشد. در این تحقیق، الگوریتم یادگیری تقویتی معکوس (IRL)، معرفی و مدل ریاضی آن تهیه شد. در IRL یک تابع پاداش بر اساس کنش های مختلف عامل یادگیر (سازه های آب بند و آبگیر) در وضعیت های مختلف (که بر اساس تجربیات یک خبره به دست می آید) یادگیری می شود. سپس با استفاده از این تابع پاداش، کنش های مربوط به حالت های مختلف استخراج می شود. برای آزمون IRL از کانال E1-R1 شبکه دز استفاده شد که دارای 6 سازه آبگیر و 3 سازه تنظیم کننده است. با استفاده از داده های بهره برداری و با درنظر گرفتن سناریوهای مختلف، شبیه سازی شرایط هیدرولیکی جریان با مدل ICSS انجام شده و جهت استخراج الگوها به IRL داده شد. برای ارزیابی عملکرد یادگیری تقویتی معکوس، از شاخص های ارزیابی کفایت تحویل، راندمان تحویل، عدالت و پایداری در تحویل، خطای حداکثر مطلق و خطای مطلق تجمعی استفاده شد. نتایج تحقیق نشان داد که مدل IRL در تمام شبیه سازی ها به نتایج مناسبی همگرا می شود به طوری که شاخص های تحویل آب به مقدار بهینه نزدیک و عمق آب در عمق هدف تثبیت می شود.

کلیدواژه ها:

بهره برداری بهینه ، توزیع و تحویل آب ، شبکه آبیاری ، کانال E1-R1 دز ، یادگیری تقویتی معکوس ، هوش مصنوعی