تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,020 |
تعداد مشاهده مقاله | 52,489,756 |
تعداد دریافت فایل اصل مقاله | 15,217,389 |
پیشبینی بلندمدت مصرف آب شهری با استفاده از شبکه بیزین (مطالعه موردی: شهرستان نیشابور) | ||
نشریه مهندسی عمران و محیط زیست دانشگاه تبریز | ||
مقاله 4، دوره 52.2، شماره 107، شهریور 1401، صفحه 47-56 اصل مقاله (1.22 M) | ||
نوع مقاله: مقاله کامل پژوهشی | ||
شناسه دیجیتال (DOI): 10.22034/jcee.2021.31917.1763 | ||
نویسندگان | ||
مسعود تابش* 1؛ مهدی ملارمضانی2؛ اکبر شیرزاد3؛ نیوشا راثی فقیهی2 | ||
1دانشکده مهندسی عمران، پردیس دانشکدههای فنی، دانشگاه تهران | ||
2دانشکده مهندسی عمران، پردیس دانشکدههای فنی، دانشگاه تهران | ||
3دانشکده مهندسی عمران، دانشگاه صنعتی ارومیه | ||
چکیده | ||
با توجه به مشکل کمبود آب در کشور، پیشبینی بلندمدت مصرف آب شهری میتواند به عنوان یک راهحل مؤثر برای سیاستگذاریهای مدیریت تقاضا و آبرسانی در شبکه توزیع آب شهری اتخاذ شود. برای تحقق این امر لزوم تدوین مدلی که بتواند با دقت بالا، پیچیدگی و تأثیر عوامل مختلف بر میزان مصرف آب و عدم قطعیت هریک از این عوامل را نشان دهد، محسوس است. گسترش عدم قطعیت در طول بازه پیشبینی سبب شده است که علاوه بر روشهای قطعی، روشهای احتمالاتی از جمله شبکه بیزین (Bayesian Network) نیز مورد بررسی قرار گیرد. شبکههای بیزین با توجه به ساختار احتمالاتی، سهولت در نظر گرفتن عدم قطعیت در پیشبینی و نیز لحاظ نمودن روابط علّی، برای پیشبینی مصرف آب شهری بسیار مطلوب است. در این مقاله با استفاده از شبکه بیزین، دو مدل برای پیشبینی بلندمدت مصرف آب شهرستان نیشابور ارائه شده است. همچنین کارایی مدلهای بیزین مزبور در مقایسه با تابع استون- گری و حساسیت مدلهای ارائهشده نسبت به ساختار شبکهای و دستهبندی دادهها مورد ارزیابی قرار گرفته است. نتایج بررسیهای صورت گرفته نشان میدهد مدلهای پیشنهادی توانایی پیشبینی بلندمدت مصرف آب با دقت بالا را دارند. مقایسه انجامشده میان شبکههای بیزین و تابع استون-گری (Stone-Geary function) نشاندهنده بالاتر بودن دقت شبکه بیزین به میزان 50 درصد نسبت به تابع استون-گری است، بهطوریکه درصد میانگین خطای مطلق برای مدل بیزین برابر با 05/0 و برای مدل استون- گری برابر با 1/0 بهدستآمده است. همچنین تابع استون- گری حداکثر مقادیر پیشبینیشده برای مصرف سرانه آب را کمتر از مدل بیزین و حداقل مصرف را نیز بیشتر از مدل بیزین پیشبینی میکند. | ||
کلیدواژهها | ||
شبکه بیزین؛ پیشبینی بلندمدت مصرف آب شهری؛ عدم قطعیت؛ روشهای احتمالاتی | ||
سایر فایل های مرتبط با مقاله
|
||
مراجع | ||
پورصالحی ف، اکبرپور ا، هاشمی س ر، محمدی ح، "مدلسازی اثر الگوی مصرف بر سرانه آب شهری با استفاده از رویکرد سیستمی (مطالعه موردی: شهر بیرجند)"، نشریه مهندسی عمران و محیط زیست دانشگاه تبریز، 1401، 52 (1)، 55-66.
تابش م، بهبودیان ص، بیگی س، "پیش بینی بلندمدت تقاضای آب شرب (مطالعه موردی: شهر نیشابور)"، تحقیقات منابع آب ایران، 1393، 10 (3)، 14-25.
تابش م، دینی م، خوش خلق ج، زهرایی ب، "برآورد مصرف کوتاه مدت آب شهری با استفاده از سری های زمانی"، مجله تحقیقات منابع آب ایران، 1387، 11 (2)، 57-65.
تابش م، "مدلسازی پیشرفته شبکه های توزیع آب"، چاپ اول، انتشارات دانشگاه تهران، 1395.
دینی م، "پیش بینی کوتاه مدت مصرف آب شهری با استفاده از شبکه فازی و نوروفازی"، پایاننامه کارشناسی ارشد مهندسی عمران-آب، پردیس دانشکدههای فنی دانشگاه تهران، تهران، ایران، 1384.
مهاجرانی ح، مساعدی ا، خلقی م، مفتاح هلقی م، سعدالدین ا، "معرفی شبکههـای تصمیمگیری بیزین و کاربرد آنها در مدیریت منابع آب"، اولین همایش ملّی مـدیریت منـابع آب اراضی ساحلی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، مازندران، ایران، 1389.
نیکو م ر، کراچیان ر، "ارزیابی کارایی شبکههای بیزی در مدیریت کیفیت آب رودخانـه: کاربرد سیستم نسبت- تجارت"، مجله علمی- پژوهشـی آب و فاضـلاب، 1387، 20 (1)، 23-33.
Bakker M, Van Duist H, Van Schagen K, Vreeburg J, Rietveld L, “Improving the performance of water demand forecasting models by using weather input”, Procedia Engineering, 2014, 70, 93-102. Behboudian S, Tabesh M, Falah Nezhad M, Alavian Ghavanini F, “A long term prediction of domestic water demand using preprocessing in Artificial Neural Network”, Journal of Water Supply: Research and Technology-AQUA, IWA, 2014, 36 (1), 31-42. Froelich W, “Forecasting daily urban water demand using dynamic Gaussian Bayesian network”, Beyond Databases, Architectures and structures, Springer International Publishing, 2015, 333-342. Heckerman D, “A tutorial on learning with bayesian networks”, Microsoft Research Advanced Technology Division, Microsoft Corporation, Redmond, Washington, USA, 1996. Hugin Expert A/S, “Hugin researcher user guide, version 7.8”, Hugin Expert A/S, Denmark, 2012. Magiera E, Froelich W, “Application of Bayesian networks to the forecasting of daily water demand”, Intelligent Decision Technologies, Springer International Publishing, 2015, 385-393. Neapolitan RE, “Learning Bayesian networks”, Prentice Hall, New Jersey, US, 2004. Ramin M, Labencki T, Boyd D, Trolle D, Arhonditsis GB, “A Bayesian synthesis of predictions from different models for setting water quality criteria”, Ecological Modelling, 2012, 242 (14), 127-145. Rasifaghihi N, Li SS, Haghighat F, “Forecast of urban water consumption under the impact of climate change”, Sustainable Cities and Society, 2020, 52, 101848. | ||
آمار تعداد مشاهده مقاله: 522 تعداد دریافت فایل اصل مقاله: 324 |