این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
آب و فاضلاب، جلد ۱۹، شماره ۱، صفحات ۱۳-۲۲
عنوان فارسی طراحی نمونه‌برداری چند هدفه برای واسنجی مدل شبکه‌ توزیع آب با استفاده از الگوریتم ژنتیک و شبکه عصبی
چکیده فارسی مقاله در این مقاله یک مدل بهینه‌سازی چندهدفه نوین برای انتخاب نقاط بهینه در شبکه توزیع آب به‌منظور نصب ابزار‌های اندازه‌گیری فشار ارائه می‌شود. داده‌های فشار‌سنجی جمع‌آوری شده در نقاط منتخب (بهینه) می‌تواند بعداً برای واسنجی مدل مورد استفاده قرار گیرد. توابع هدف، افزایش دقت پیش‌بینی مدل واسنجی شده و کاهش هزینه کل نمونه‌برداری می‌باشند. به منظور کاهش زمان اجرا، مدل بهینه‌سازی چندهدفه با تلفیقی از الگوریتم ژنتیک و شبکه عصبی سازگار توسعه یافته است. شبکه‌ عصبی پس از پیشرفت چند نسل اولیه الگوریتم ژنتیک به صورت اولیه آموزش دیده و پس از تولید تعداد مشخصی از جوابهای تحلیل شده با مدل کامل به صورت دوره‌ای در طی الگوریتم ژنتیک آموزش مجدد داده می‌شود تا به‌روز گردد. شبکه عصبی آموزش‌دیده در طی پیشرفت الگوریتم ژنتیک جایگزین محاسبه تابع هدف بخشی از کروموزوم‌های یک نسل می‌گردد. استفاده از حافظه نهانی سبب جلوگیری از ارزیابی تابع هدف جوابهای تکراری در طی الگوریتم می‌شود. جواب‌ مدل بهینه‌سازی به صورت مجموعه نقاط غیرپست (رویه بهینه پارتو) نسبت به دو تابع هدف به دست می‌آید. نتایج نشان می‌دهد تلفیق شبکه‌های عصبی مصنوعی در مدل بهینه‌سازی الگوریتم ژنتیک برای برآورد تابع هدف بخشی از جوابها، کاهش چشمگیری در زمان اجرا دارد و می‌تواند در کاهش زمان اجرای مدل‌های بهینه‌سازی با زمان اجرای طولانی بسیار نویدبخش باشد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Multiobjecitve Sampling Design for Calibration of Water Distribution Network Model Using Genetic Algorithm and Neural Network
چکیده انگلیسی مقاله In this paper, a novel multiobjective optimization model is presented for selecting optimal locations in the water distribution network (WDN) with the aim of installing pressure loggers. The pressure data collected at optimal locations will be used later on in the calibration of the proposed WDN model. Objective functions consist of maximization of calibrated model prediction accuracy and minimization of the total cost for sampling design. In order to decrease the model run time, an optimization model has been developed using multiobjective genetic algorithm and adaptive neural network (MOGA-ANN). Neural networks (NNs) are initially trained after a number of initial GA generations and periodically retrained and updated after generation of a specified number of full model-analyzed solutions. Trained NNs are replaced with the fitness evaluation of some chromosomes within the GA progress. Using cache prevents objective function evaluation of repetitive chromosomes within GA. Optimal solutions are obtained through pareto-optimal front with respect to the two objective functions. Results show that jointing NNs in MOGA for approximating portions of chromosomes’ fitness in each generation leads to considerable savings in model run time and can be promising for reducing run-time in optimization models with significant computational effort.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله کوروش بهزادیان |
کاندیدای دکترای مهندسی آب دانشگاه صنعتی امیرکبیر
سازمان اصلی تایید شده: دانشگاه صنعتی امیرکبیر (Amirkabir university of technology)

عبدا… اردشیر |
استادیار دانشکده عمران و محیط زیست دانشگاه صنعتی امیرکبیر
سازمان اصلی تایید شده: دانشگاه صنعتی امیرکبیر (Amirkabir university of technology)

نشانی اینترنتی http://www.wwjournal.ir/article_2164_5065aec168a9d7b73ae0692a56d0a9aa.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات