این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات آب و خاک ایران، جلد ۵۶، شماره ۵، صفحات ۱۲۳۹-۱۲۶۴
عنوان فارسی کارایی شبکه عصبی مبتنی بر مونت‌کارلو در ارزیابی عملکرد چاه‌های پمپاژ
چکیده فارسی مقاله پژوهش حاضر با هدف ارزیابی کارایی شبکه عصبی مصنوعی پرسپترون چندلایه  در تخمین دور پمپ‌ چاه‌های آب شرب بندر ترکمن با استفاده از پارامترهای آبدهی پمپ، عمق نصب پمپ و تراز آب زیرزمینی انجام شده است. این مطالعه شامل یک رویکرد یکپارچه از مدل‌سازی شبکه‌های عصبی مصنوعی و تحلیل حساسیت آن و نیز شبیه‌سازی مونت-کارلو  است. نتایج شبکه عصبی نشان داد که این مدل دارای عملکرد قابل قبولی برای پیش‌بینی دور پمپ چاه‌ها می‌باشد. همچنین مشخص شد که عملکرد این مدل به‌طور قابل توجهی تحت تأثیر تغییرات فصلی قرار دارد. بهترین عملکرد آن در مراحل آموزش و آزمون به ترتیب در ماه خرداد با 98/0=R² و 15/15=RMSE و در ماه فروردین با 99/0=R² و 13/16=RMSE مشاهده شد. نتایج تحلیل حساسیت متغیرهای ورودی نشان داد که سطح آب زیرزمینی با 48 درصد، بیشترین تأثیر را بر دور پمپ دارد و پس از آن آبدهی پمپ با 37 درصد و عمق نصب پمپ با 15 درصد قرار دارند. تحلیل شاخص قابلیت اطمینان (بتا) نشان داد که سامانه پمپاژ مورد مطالعه دارای تغییرات عملکرد فصلی قابل توجهی است، به‌طوری که در ماه‌های زمستان، دارای قابلیت اطمینان عالی (با بتای 2/2-7/1) و در ماه‌های تابستان دارای قابلیت اطمینان منفی است که نشان‌دهنده احتمال خرابی سامانه و یا مصرف بیش از حد انرژی توسط پمپ‌ها است. روش ارائه شده در این تحقیق، چارچوب عملی برای مدیران آب و فاضلاب برای بهینه‌سازی عملیات پمپاژ، کاهش هزینه‌های انرژی و بهبود مدیریت منابع آب در مناطق خشک را ارائه می‌دهد.
کلیدواژه‌های فارسی مقاله سیستم پمپاژ،شبیه‌سازی مونت‌کارلو،شاخص قابلیت اطمینان،شبکه عصبی مصنوعی،تحلیل حساسیت،
عنوان انگلیسی The effectiveness of Monte Carlo-based neural network in analyzing the performance of pumping wells
چکیده انگلیسی مقاله The present study was conducted with the aim of evaluating the efficiency of the multilayer perceptron artificial neural networks in estimating the pump rotation of drinking water wells located in Bandar Turkman using the key parameters of pump discharge, pump installation depth, and groundwater level. This study involves an integrated approach of artificial neural networks modeling and its sensitivity analysis as well as Monte-Carlo simulation. The neural networks results showed that this model has an acceptable performance for predicting the pump rotation speed of wells. Furthermore, it was reveled that this model performance is highly affected by seasonal changes. The best performance of this model was achieved in May with R2=0.98 and RMSE=15.15 and in March with R2=0.99 and RMSE=15.13 for training and testing phases, respectively. The sensitivity analysis of input variables indicated that the groundwater level with 48% importance has the greatest effect on the pump rotation speed, followed by the pump discharge and pump installation depth with 37% and 15%, respectively. The reliability index analysis (β) showed that the seasonal changes have high influence on studied pumping system so that in winter season, it has excellent reliability (β=1.7-2.2) and through summer season, it has negative reliability which indicates the possibility of system failure or excessive energy consumption by pumps. The proposed approach in this study provides a practical framework for water and wastewater managers to optimize pumping operations, reduce energy costs, and enhance water management in arid regions.
کلیدواژه‌های انگلیسی مقاله سیستم پمپاژ,شبیه‌سازی مونت‌کارلو,شاخص قابلیت اطمینان,شبکه عصبی مصنوعی,تحلیل حساسیت
نویسندگان مقاله عبدالرزاق قولی |
گروه مهندسی آب، دانشکده مهندسی آب و خاک، دانشگاه علوم‌کشاورزی‌ و ‌منابع ‌طبیعی گرگان، گرگان، ایران

عبدالرضا ظهیری |
گروه مهندسی آب، دانشکده مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران

جمشید پیری |
گروه مهندسی آب، دانشگاه زابل، زابل، ایران

نشانی اینترنتی https://ijswr.ut.ac.ir/article_103185_965ff0c830dd4e329247e2a32cf1905e.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