آمار
| تعداد نشریات | 31 |
| تعداد شماره‌ها | 723 |
| تعداد مقالات | 7,848 |
| تعداد مشاهده مقاله | 9,568,764 |
| تعداد دریافت فایل اصل مقاله | 9,058,883 |
بهینه‌سازی سیاست بهرهبرداری از مخزن با استفاده از الگوریتم شبیه‌سازی حرارتی (مطالعه موردی: سد مهاباد) | ||
| دانش آب و خاک | ||
| مقاله 14، دوره 28، شماره 1، بهار 1397، صفحه 173-185 اصل مقاله (1338 K) | ||
| نویسندگان | ||
نازک روزگاری  1؛ یوسف حسن زاده2؛ محمد تقی ستاری3
| ||
| 1کارشناسی ارشد، گروه مهندسی آب، دانشکده عمران، دانشگاه تبریز | ||
| 2استاد گروه مهندسی آب، دانشکده عمران، دانشگاه تبریز | ||
| 3استادیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز | ||
| چکیده | ||
| در این مطالعه، به‌منظور ارائه سیاست بهینه بهرهبرداری مخزن سد مهاباد، دو مدل بهرهبرداری بهینه با استفاده از روش‌های برنامهریزی غیرخطی (حلال مینوس/گمز) و الگوریتم بهینه‌سازی حرارتی، نوشته شد. به دلیل فقدان داده‌های نیاز زیست‌محیطی، این داده‌ها با استفاده از روش تنانت محاسبه گردید. در هریک از این مدلها، تابع هدف به‌صورت کمینه‌سازی اختلاف آب مورد‌نیاز کشاورزی در پایین‌دست سد و آب رهاسازی شده از سد در طول 23 سال دوره آماری بهرهبرداری سد (1393-1370)، در نظر گرفته شد و کارآیی آن‌ها با استفاده از شاخص‌های بهرهبرداری مخزن مورد ارزیابی قرار گرفت. مقادیر حاصل شده برای تابع هدف در هر دو مدل بهینه‌سازی و همچنین نتایج شاخص‌های عملکرد مخزن سد نشان داد، روش فرا‌ابتکاری شبیه‌سازی حرارتی با مقدار تابع هدف معادل 01/22، قابلیت اعتماد زمانی 25%، سرعت برگشت‌پذیری 22/22%، آسیب‌پذیری 04/41% و شاخص پایداری 032/0، در مقایسه با برنامهریزی غیرخطی با مقدار تابع هدف معادل 92/88، قابلیت اعتماد زمانی 18/48%، سرعت برگشت‌پذیری 86/32%، آسیب‌پذیری 27/84% و شاخص پایداری 024/0 نتایج نسبتا بهینه‌تری ارائه داد. همچنین مشخص گردید که روش حرارتی نسبت به روش برنامهریزی غیرخطی به زمان اجرای طولانی‌تری تا رسیدن به نقطه بهینه سراسری لازم داشت، ولی با محاسبه میزان کمبود 24/1632 میلیون‌مترمکعب نسبت به روش برنامهریزی غیرخطی که دارای مقدار کمبود4/3351 میلیون‌مترمکعب بود، میزان کمبودها را نسبت به روش برنامهریزی غیرخطی (حلال مینوس/گمز) کاهش داده و عملکرد نسبتا مناسب‌تری را ارائه داد. | ||
| کلیدواژه‌ها | ||
| الگوریتم حرارتی؛ برنامهریزی غیرخطی؛ بهرهبرداری از مخزن؛ بهینه‌سازی؛ سد مهاباد | ||
| عنوان مقاله [English] | ||
| Optimization of Reservoir Operational Policy Using Simulated Annealing Algorithm (Case Study: Mahabad reservoir) | ||
| نویسندگان [English] | ||
| N Rouzegari1؛ Y Hassanzadeh2؛ MT Sattari3 | ||
| 1M.Sc. Dept. of Water Engin., Faculty of Civil., Univ. of Tabriz, Tabriz, Iran | ||
| 2Prof., Dept. of Water Engin., Faculty of Civil., Univ. of Tabriz, Tabriz, Iran | ||
| 3Assis. Prof., Dept. of Water Engin., Faculty of Agric., Univ. of Tabriz, Tabriz, Iran | ||
| چکیده [English] | ||
| In this paper two models have been written and solved by two approaches: non-linear programming (GAMS/MINOS solver) and simulated annealing methods in order to optimize operational rules in Mahabad reservoir. Because of missing the required eco-system data, these required data were calculated using Tennant method. The objective function was defined to minimize the deference between the amounts of agriculture water demand and the released water from the reservoir during 23 years of flow data (1370-1393) and their performance were evaluated using the operational indexes. Obtained results of both optimization models showed that, the simulated annealing algorithm with objective function value of 22.01, reliability value of 25%, resiliency velocity value of 22.22%, vulnerability value of 41.04% and sustainability value of 0.032, gave relatively better results compared to the non-linear programming method with the objective function value of 88.92, reliability value of 48.18%, resiliency velocity value of 32.86%, vulnerability value of 84.27% and sustainability value of 0.024. Also, it was found that, simulated annealing algorithm took longer running time to achieve the global optimal point in comparison to non-linear programming. However, using simulated annealing algorithm estimated a lower water shortage of 1632.24 MCM compared to the non-linear programming which estimated water shortage of 3351.4 MCM. Simulated annealing algorithm decreased the shortage by distributing shortages in different months and estimated a better performance. | ||
| کلیدواژه‌ها [English] | ||
| Mahabad reservoir, Non-Linear Programming, Optimization, Reservoir operation, simulated annealing algorithm | ||
| مراجع | ||
|
Azarafza H, Rezaei H, Behmanesh J and Besharat S, 2012. Results comparison of employing PSO, GA and SA algorithms in optimizing reservoir operation (case study: Shaharchai Dam, Urmia, Iran). Journal of Water and Soil 26(5): 1101-1108. (In Farsi) Brooke A, Kendrick D and Mearaus A, 1996. “GAMS, A User Guide” GAMS Development Corporation. Washington, DC. Dariane AB and Shahidi L, 2008. Optimization of reservoir operation using simulated annealing and other heuristic methods. International Journal of Engineering Science Iran University of Science and Technology 19(8): 31-40. (In Farsi) Emadi A, Khademi M, Mohseni Movahed SA and Nouri MR, 2012. Comparative of simulated annealing (SA) optimization algorithm, yield model and standard operation policy in reservoir operation (Case study: Doroodzan Dam). Journal of Iran Water Research 6(10): 80-94. (In Farsi) Ghahraman B and Sepaskhah AR, 2005. Reservoirs operation management. Journal of Iran Water Resources Research 1(2): 114-128. (In Farsi) JanatRostami S, Kholghi M and Bozorg Haddad O, 2010. Management of reservoir operation system using improved harmony search algorithm. Journal of Water and Soil Science- University of Tabriz 20(3): 61-71. (In Farsi) Janejira T, Ichiro K, Masayuki I and Yoshinobu K, 2005. Optimization of a multiple reservoir system using a simulated annealing-A case study in the Mae Klong system, Thailand. Journal of Paddy and Water Environment 3(3): 137-147. Kangrang A, Chaiyapoom W and Homwuttiwong S, 2012. An application of simulated annealing algorithm with reservoir simulation model to improve reservoir rule curves. Journal of Science and Technology MSU 31(5): 578-584. Khademi M, Emadi AR and Mohseni Movahed SA, 2011. Reservoir operation optimization using simulated annealing algorithm and application of asymptote method in its validation. Journal of Watershed Management Research 2(3):80-94. (In Farsi) Khodabakhshi F, Ghirian AR and Khakzad N, 2009. Applying simulated annealing for optimal operation of multi-reservoir systems. American Journal of Engineering and Applied Sciences 2 (1): 80-87. Kirkpatrick S, Gelatt CD and Vecchi MP, 1982. Optimization by simulated annealing. Journal of Science, 220: 671-680. Lee KY and Elsharkwi MA, 2008. Modern Heuristic Optimization Technique. John Wiley and Sons, Hoboken, New Jersey. Loucks DP and Van Beek E, 2005. Water resources systems planning and management: an introduction to methods, models and applications. United Nations Educational, Scientific and Cultural Organization (UNESCO). Nameless, 2009. Draft of guidance for determining the minimum water requirements for aquatic ecosystems. Pp 113, Ministry of Energy, Tehran, Iran. (In Farsi) Razaghi P, Babazadeh H and Shourian M, 2014. Development of multi-purpose reservoir operation hedging rule in water resources shortage conditions using MODSIM8.1. Journal of Soil and Water Resources Conservation 3(2):11-23. (In Farsi) Saber Chenari K, Abghari H and Erfanian M, 2012. Management of water released from reservoir dams using particle swarm optimization algorithm. Pp. 59-67, 8th National Conference on Watershed Engineering Science, University of Lorestan, Lorestan, Iran. (In Farsi) Tharme, RE, 2003. A global perspective on environmental flow assessment: emerging trends in the development and application of environmental flow methodologies for rivers. Journal of River Research and Applications 19(5): 397-441. Teegavarapu RSV and Simonovic SP, 2002. Optimal operation of reservoir systems using simulated annealing. Journal Water Resources Management 16(5):401–428. Tennant, DL, 1976. Instream flow regimens for fish, wildlife, recreation and related environmental resources. Journal of Fisheries 1(4): 6-10.
| ||
|
آمار تعداد مشاهده مقاله: 120 تعداد دریافت فایل اصل مقاله: 110 |
||
