انجمن آبیاری و زهکشی ایران نشریه آبیاری و زهکشی ایران 2008-7942 11 3 2017 09 22 Forecasting Daily Urban Water Demand Using Artificial Neural Networks Based on Evolutionary Algorithms, A Case Study of Soufiyan Urban Water پیش‌بینی میان مدت تقاضای آب شهری با استفاده از شبکه‌های عصبی مبتنی بر الگوریتم‌های تکاملی (مطالعه موردی: شهرستان صوفیان) 388 402 76509 FA نازیلا کاردان گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه شهید مدنی آذربایجان، تبریز، ایران 0000-0003-0687-7703 یوسف حسن‌زاده استاد گروه مهندسی آب، دانشکده مهندسی عمران، دانشگاه تبریز حامد رضوی‌نژاد دانشجوی دکتری سازه‌های هیدرولیکی، دانشکده مهندسی عمران، دانشگاه تبریز Journal Article 2016 09 13 Forecasting of water demand in water supply systems is essential to water resources management and its distribution as properly. According to non-linear and oscillation process of water consumption and its affecting variables, the use of non-linear models such as neural networks have get more success in this field. On the other hand, these models have some defects such as the need to more training data and weakness in finding global optimal solutions. In this study by combining the multi-layer neural networks with PSO and ICA evolutionary algorithms, the mentioned defects eliminated firstly, and then the neural networks trained and the daily water demand of Soufiyan city is predicted based on weather parameters. The results show that the hybrid neural network with PSO and ICA algorithms had better performance compared to a network that trained by LM classical algorithm. The hybrid model of neural network with PSO algorithm has correlation coefficient equal to 0.98 which have the more accurate solutions than other models in any of the warm and cold seasons. Also water demand forecasting with proposed hybrid model in the next 10 years revealed that water demand will be increased about 40% in this city. پیش­بینی تقاضای آب در سیستم­های آب­رسانی به منظور مدیریت صحیح منابع آب و توزیع آن امری ضروری است. با توجه به روند پرنوسان و غیرخطی مصرف آب و متغیرهای موثر بر آن، استفاده از مدل­های غیرخطی مانند شبکه­های عصبی در این زمینه توفیق بیش­تری داشته­اند. از طرفی این مدل­ها دارای نقاط ضعفی مانند نیاز به داده­های آموزشی فراوان و ضعف در یافتن نقاط بهینه سراسری می­باشند. در این مطالعه با ادغام شبکه عصبی چند لایه با الگوریتم­های تکاملی PSO و ICA، علاوه بر رفع نقایص مذکور، اقدام به آموزش شبکه و پیش­بینی روزانه مصرف آب در شهرستان صوفیان بر اساس پارامترهای هواشناسی شده است. مقایسه نتایج شبکه ترکیب شده با الگوریتم­های PSO و ICA با شبکه­ای که توسط الگوریتم کلاسیک LM آموزش دیده، نشان می­دهد که شبکه­های ترکیبی عملکرد بهتری داشته و در این بین، شبکه عصبی ترکیبی با PSO، با ضریب همبستگی 98/0 در هر یک از فصول گرم و سرد سال، دقت بالاتری نسبت به سایر شبکه­ها دارد. همچنین پیش­بینی تقاضای آب با استفاده از مدل ترکیبی طراحی شده، با چشم­انداز 10 ساله، نشان می­دهد که تقاضای آب در این شهرستان در سال 1404 حدود 40% افزایش خواهد یافت. https://idj.iaid.ir/article_76509_8dca3addb63ae970cf4dca8a04ba05c7.pdf