تحلیل فضایی و مدل سازی شبکه عصبی مصنوعی برای کاهش آب بدون درآمد در سامانه های توزیع آب شهری با استفاده از GIS

آب بدون درآمد (Non‑Revenue Water, NRW) یکی از مهم ترین چالش های مدیریت سامانه های توزیع آب شهری است که موجب اتلاف منابع مالی، کاهش راندمان شبکه و فشار مضاعف بر زیرساخت های موجود می شود. هدف این پژوهش، توسعه یک چارچوب عمومی برای تحلیل فضایی و مدل سازی هوشمند هدررفت آب با استفاده از سیستم اطلاعات جغرافیایی (GIS) و شبکه های عصبی مصنوعی (Artificial Neural Networks - ANN) است. برای این منظور، داده های پنج زون از یک شبکه شهری شامل متغیرهای فشار، عمر لوله، طول لوله ها بر اساس جنس (PE، AC، GRP، ST، GA)، دبی ورودی و تعداد مشترکین گردآوری و درصد آب بدون درآمد (NRW%) محاسبه شد. مدل ANN با ساختار ۱۶‑۸‑۱، تابع فعال سازی ReLU و بهینه ساز Adam توسعه یافت و به دلیل محدودیت تعداد داده ها، روش اعتبارسنجی Leave‑One‑Out (LOOCV) برای جلوگیری از بیش برازش به کار گرفته شد. در محیطی فاقد کتابخانه TensorFlow، مدل جایگزین RandomForest برای مقایسه به کار گرفته شد که دقت آن در سطح R²=۰.۲۷۶ و RMSE=۳.۶% بود. این اختلاف تنزل عملکرد توضیح داده شد که ناشی از حجم محدود داده ها و حذف لایه یادگیری عمیق است. تحلیل نتایج نشان داد که بیش ترین خطا مربوط به زون چهارم (واقعی ۴۸%، پیش بینی ۴۰.۴%) است، در حالی که سایر زون ها خطایی کمتر از سه درصد داشتند. در پژوهش های مشابه از Yang et al. ۲۰۲۲, Water Research و Elsheikh et al. ۲۰۲۳, Journal of Water Supply: AQUA نیز تاکید شده است که مدل های یادگیری عمیق مبتنی بر داده های فضایی می توانند نسبت به روش های آماری تا ۳۰ درصد بهبود در پیش بینی NRW ایجاد کنند.

کلیدواژه ها:

مدیریت آب شهری ، آب بدون درآمد (NRW) ، شبکه عصبی مصنوعی (ANN) ، سیستم اطلاعات جغرافیایی (GIS) ، تحلیل فضایی ، یادگیری ماشین