استفاده از مدل جایگزین شبکه عصبی مصنوعی به منظور کاهش محاسبات شناسایی نشت در شبکه های آبرسانی

دست یابی به پارامترهای نشت در روش تحلیل معکوس جریان گذرا (ITA) به صورت معکوس و با حل یک مسئله برنامه ریزی غیرخطی توسط الگوریتم های فراکاوشی همچون الگوریتم ژنتیک (GA) انجام می شود. با وجود توانایی بالای روش ITA در یافتن پارامترهای نشت، استفاده از الگوریتم GA در این روش سبب می شود تا از نظر کارایی محاسباتی، نیازمند صرف هزینه و زمان محاسباتی زیادی باشد. دلیل این امر را می توان ماهیت حرکات تصادفی و تکاملی تدریجی الهام گرفته شده از طبیعت در الگوریتم GA دانست. در این پژوهش با هدف افزایش راندمان محاسباتی، استفاده از مدل های جایگزین در بخش فرایند بهینه سازی روش ITA پیشنهاد می شود. مدل جایگزین در واقع نمونه شبیه-سازی شده مدل اصلی بوده که قادر است مقدار تقریبی تابع هدف را در کسری از ثانیه محاسبه کند. نحوه به کارگیری این مدل ها در فرایند بهینه سازی در موفقیت استفاده از این روش ها تاثیر بسزایی دارد. در همین راستا دو الگوریتم دارای مدل جایگزین مبتنی بر اعضای جمعیت با عناوین Pre-selection Strategy (PS) وBest Strategy (BS) معرفی می شوند. به منظور ارزیابی و مقایسه نتایج، از یک شبکه آبرسانی با هدف یافتن پارامترهای نشت استفاده شده است. نتایج، افزایش راندمان محاسباتی را نسبت به استفاده از الگوریتم GA در روش ITA نشان دادند. الگوریتم PS توانست با کاهش 58% میزان تابع هدف و صرفه جویی زمان محاسباتی 78% نسبت به الگوریتم GA بهترین عملکرد را به خود اختصاص دهد.