استفاده از مدل جایگزین شبکه عصبی مصنوعی به‌منظور کاهش محاسبات شناسایی نشت در شبکه‌های آبرسانی

دست‌یابی به پارامترهای نشت در روش تحلیل معکوس جریان گذرا (ITA) به صورت معکوس و با حل یک مسئله برنامه‌ریزی غیرخطی توسط الگوریتم‌های فراکاوشی همچون الگوریتم ژنتیک (GA) انجام می‌شود. با وجود توانایی بالای روش ITA در یافتن پارامترهای نشت، استفاده از الگوریتم GA در این روش سبب می‌شود تا از نظر کارایی محاسباتی، نیازمند صرف هزینه و زمان محاسباتی زیادی باشد. دلیل این امر را می‌توان ماهیت حرکات تصادفی و تکاملی تدریجی الهام گرفته شده از طبیعت در الگوریتم GA دانست. در این پژوهش با هدف افزایش راندمان محاسباتی، استفاده از مدل‌های جایگزین در بخش فرایند بهینه‌سازی روش ITA پیشنهاد می‌شود. مدل جایگزین در واقع نمونه شبیه-سازی شده مدل اصلی بوده که قادر است مقدار تقریبی تابع هدف را در کسری از ثانیه محاسبه کند. نحوه به کارگیری این مدل‌ها در فرایند بهینه‌سازی در موفقیت استفاده از این روش‌ها تأثیر بسزایی دارد. در همین راستا دو الگوریتم دارای مدل جایگزین مبتنی بر اعضای جمعیت با عناوین Pre-selection Strategy (PS) وBest Strategy (BS) معرفی می‌شوند. به منظور ارزیابی و مقایسه نتایج، از یک شبکه آبرسانی با هدف یافتن پارامترهای نشت استفاده شده است. نتایج، افزایش راندمان محاسباتی را نسبت به استفاده از الگوریتم GA در روش ITA نشان دادند. الگوریتم PS توانست با کاهش 58% میزان تابع هدف و صرفه‌جویی زمان محاسباتی 78% نسبت به الگوریتم GA بهترین عملکرد را به خود اختصاص دهد.