جانمایی بهینه سنسورها در شبکه توزیع آب با هدف شناسایی مشخصات منبع آلاینده در حداقل زمان تشخیص

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری دانشکده مهندسی شهید نیکبخت، گروه مهندسی عمران، دانشگاه سیستان و بلوچستان، زاهدان

2 دانشیار دانشکده مهندسی شهید نیکبخت، گروه مهندسی عمران، دانشگاه سیستان و بلوچستان، زاهدان

3 استادیار گروه مهندسی عمران، دانشکده شهید نیکبخت، دانشگاه سیستان و بلوچستان، زاهدان، ایران.

4 دکترای مهندسی آب و سازه‌های هیدرولیکی، گروه مهندسی عمران، دانشگاه سیستان و بلوچستان، زاهدان، ایران

چکیده

به‌منظور شناسایی آلودگی در سیستم‌های توزیع آب از سنسورهایی استفاده می‌شود که علاوه بر تشخیص آلودگی، اطلاعات مفیدی در جهت یافتن منبع آلاینده نیز ارائه می‌دهند. وجود این اطلاعات برای یافتن راهکار مناسب به‌منظور مدیریت کیفی شبکه توزیع سودمند است. هدف این پژوهش شناسایی مشخصات چهارگانه منبع آلاینده ورودی به سیستم به‌وسیله رویکردی شبیه‌ساز- بهینه‌ساز با ارائه جانمایی بهینه دو سنسور در شبکه EPANET Example 2 می‌باشد. مشخصات مدنظر این تحقیق شامل گره ورود آلاینده، مقدار غلظت، زمان و مدت ورود آلاینده به شبکه مذکور می‌باشد. نرم‌افزار EPANET به‌عنوان شبیه‌ساز و الگوریتم ژنتیک به‌عنوان بهینه‌ساز در جهت رسیدن به اهداف مذکور با یکدیگر ادغام شدند. بدین منظور ابتدا تعداد ده آلودگی مختلف به‌صورت تصادفی تولید شدند سپس در ادامه به یافتن بهترین مکان برای نصب سنسورها در شبکه مذکور با هدف شناسایی مشخصات منبع آلودگی پرداخته شد. چهارده محل مختلف با احتمال تشخیص 90 درصد مستعد قرارگیری سنسورها بودند لذا از بین مکان‌های مستعد، گره‌هایی که قادر به شناسایی آلودگی در کم‌ترین زمان ممکن بودند، انتخاب شدند. نتایج نشان داد که با نصب سنسورها در دو گره شماره 15 و 27 شبکه بنچ‌مارک، علاوه بر دست‌یابی به بیشترین احتمال تشخیص با مقدار 90 درصد، کمترین زمان شناسایی آلودگی در شبکه به‌اندازه 58 دقیقه نیز به ثبت رسید.

کلیدواژه‌ها

عنوان مقاله [English]

Determining the Optimal Location of Sensors in the Wat

نویسندگان [English]

  • siroos harif 1
  • Gholamreza Azizyan 2
  • Mohammad Givehchi 3
  • Mohsen Dehghani Darmian 4
1 Ph.D. candidate of water engineering and hydraulic structures, Department of Civil Engineering, University of Sistan and Baluchestan, Zahedan, Iran
2 Associate Professor of water engineering and hydraulic structures, Department of Civil Engineering, University of Sistan and Baluchestan, Zahedan, Iran
3 Retired Assistant Professor of water engineering and hydraulic structures, Department of Civil Engineering, University of Sistan and Baluchestan, Zahedan, Iran
4 Ph.D. of water engineering and hydraulic structures, Department of Civil Engineering, University of Sistan and Baluchestan, Zahedan, Iran

مراجع

عباسی، پ. و خامچین مقدم، ف. 1397. مدیریت بروز آلودگی در شبکه‌های توزیع آب شهری. دومین کنگره علوم و مهندسی آب و فاضلاب ایران، اصفهان.
مهری، آ. و سلمان ماهینی، ع. 1396. مروری بر مدل‌های آمایش سرزمین. فصلنامه انسان و محیط‌زیست. 15 (1): 92-71.
Adedoja, O.S., Hamam, Y., Khalaf, B. and Sadiku, R. 2018. Towards development of an optimization model to identify contamination source in a water distribution network. Water. 10(5):579.
Chinadaily Lanzhou tap water tainted with benzene. Updated April 11:2014 http://www.chinadaily.com.cn/china/2014-04/11/content_17428825.htm
Basupi, I. 2013. Adaptive water distribution system design under future uncertainty.
Cooper, W.J. 2014. Responding to crisis: The West Virginia chemical spill.
Cristo, C.D. and Leopardi, A. 2008. Pollution source identification of accidental contamination in water distribution networks. Journal of Water Resources Planning and Management. 134(2): 197-202.
De Sanctis, A.E., Shang, F. and Uber, J.G. 2010. Real-time identification of possible contamination sources using network backtracking methods. Journal of Water Resources Planning and Management. 136(4): 444-453.
Forest, J.J., Howard, R.D. and Sheehan, A.M. 2013. Weapons of mass destruction and terrorism. New York: McGraw-Hill.
Goldberg, D.E. 1989. Genetic algorithms in search. Optimization, and MachineLearning.
Grbčić, L., Lučin, I., Kranjčević, L. and Družeta, S. 2020. A machine learning-based algorithm for water network contamination source localization. Sensors. 20(9): 2613.
Hammer, M.J. 2000. Water and Wastewater Technologies. 2nded. John Wiley and Sons, NewYork. 137-157.
Holland, J. 1975. Adaptation in natural and artificial systems: an introductory analysis with application to biology. Control and artificial intelligence.
Hu, C., Zhao, J., Yan, X., Zeng, D. and Guo, S. 2015. A MapReduce based Parallel Niche Genetic Algorithm for contaminant source identification in water distribution network. Ad Hoc Networks. 35: 116-126.
Islam, M.R., Chaudhry, M.H. and Clark, R.M. 1997. Inverse modeling of chlorine concentration in pipe networks under dynamic condition. Journal of environmental engineering. 123(10): 1033-1040.
Khan, M.A.I. and Banik, B.K. 2017. Contamination source characterization in water distribution network. Global Science and Technology Journal. 5(1): 44-55.
Laird, C.D., Biegler, L.T., van Bloemen Waanders, B.G. and Bartlett, R.A. 2005. Contamination source determination for water networks. Journal of Water Resources Planning and Management. 131(2): 125-134.
McGhee, T.J. and Steel, E.W. 1991. Water supply and sewerage (Vol. 6). New York: McGraw-Hill.
Mekonnen, M.M. and Hoekstra, A.Y. 2016. Four billion people facing severe water scarcity. Science advances. 2(2): e1500323.
Munavalli, G.R. and Kumar, M.M. 2003. Optimal scheduling of multiple chlorine sources in water distribution systems. Journal of water resources planning and management. 129(6): 493-504.
Munroe, S., Sandoval, K., Martens, D.E., Sipkema, D. and Pomponi, S.A. 2019. Genetic algorithm as an optimization tool for the development of sponge cell culture media. In Vitro Cellular & Developmental Biology-Animal. 55(3): 149-158.
Preis, A. and Ostfeld, A. 2007. A contamination source identification model for water distribution system security. Engineering optimization. 39(8): 941-947.
Qiu, M., Salomons, E. and Ostfeld, A. 2020. A framework for real-time disinfection plan assembling for a contamination event in water distribution systems. Water research. 174: 115625.
Rossman LA. EPANET 2: user’s manual.
Rutkowski, T.A. and Prokopiuk, F. 2018. Identification of the contamination source location in the drinking water distribution system based on the neural network classifier. IFAC-PapersOnLine. 51(24): 15-22.
Seth, A., Klise, K.A., Siirola, J.D., Haxton, T. and Laird, C.D. 2016. Testing contamination source identification methods for water distribution networks. Journal of Water Resources Planning and Management. 142(4): 04016001.
Shang, F., Uber, J.G. and Polycarpou, M.M. 2002. Particle backtracking algorithm for water distribution system analysis. Journal of environmental engineering. 128(5): 441-450.
Sun, L., Yan, H., Xin, K. and Tao, T. 2019. Contamination source identification in water distribution networks using convolutional neural network. Environmental Science and Pollution Research. 26(36): 36786-36797.
Toolbox, R.P. 2003. Planning for and Responding to Drinking Water Contamination Threats and Incidents. USEPA: Washington, DC, USA.
Wang, C. and Zhou, S. 2017. Contamination source identification based on sequential Bayesian approach for water distribution network with stochastic demands. IISE Transactions. 49(9): 899-910.
World Health Organization. 2006. World in danger of missing sanitation target; drinking-water target also at risk, new report shows. Geneva: WHO; [Online]. Available from: URL: http://www.who.int/mediacentre/news/releases/2006/pr47/en.
World Health Organization. 2017. https://www.who.int/news-room/fact sheets/ detail/ drinking-water
Xuesong, Y., Jie, S. and Chengyu, H. 2017. Research on contaminant sources identification of uncertainty water demand using genetic algorithm. Cluster Computing. 20(2): 1007-1016.
Yan, X., Zhao, J., Hu, C. and Zeng, D. 2019. Multimodal optimization problem in contamination source determination of water supply networks. Swarm and Evolutionary Computation. 47: 66-71.
نشریه آبیاری و زهکشی ایران
دوره 15، شماره 2 - شماره پیاپی 86
خرداد و تیر 1400
صفحه 342-356

فایل ها

هم رسانی

ارجاع به این مقاله

آمار