افزایش راندمان محاسباتی روش نشت‌یابی تحلیل معکوس جریان گذرا با استفاده از مدل جایگزین کریجینگ

Abstract

<strong>روش تحلیل معکوس جریان گذرا (</strong><strong>ITA</strong><strong>)، یکی از روش‌های موفق در زمینه شناسایی نشت در شبکه‌های آبرسانی است. با این وجود دستیابی به پارامترهای مجهول نشت مانند تعداد، مکان و مساحت نشت‌ها در این روش به‌دلیل استفاده از الگوریتم‌های فراکاوشی مانند الگوریتم ژنتیک (</strong><strong>GA</strong><strong>) نیازمند صرف هزینه و زمان محاسباتی زیادی است. هدف از این پژوهش ارائه راهکاری است که با حفظ ساختار محاسبات </strong><strong>ITA</strong><strong>، دقت و سرعت دسترسی به نتایج نیز افزایش یابد. در این پژوهش راهکار استفاده از مدل‌های جایگزین در فرایند بهینه‌سازی روش </strong><strong>ITA</strong><strong> مطرح شد. این مدل‌ها با تقلید از رفتار تابع هدف اصلی، تلاش می‌کنند با هزینه محاسباتی اندک، تا حد امکان بیشترین شباهت رفتاری را نسبت آن داشته باشند. در همین راستا الگوریتم بهینه‌سازی جدیدی بر پایه مدل جایگزین کریجینگ تحت عنوان الگوریتم </strong><strong>GA-Kriging</strong><strong> معرفی شد. در این الگوریتم با استفاده از ویژگی ساختاری مدل جایگزین کریجینگ و ارائه شاخصی به نام </strong><strong>EI</strong><strong> اصلاحاتی در انتخاب فرزندان الگوریتم </strong><strong>GA</strong><strong> انجام شد. به‌منظور ارزیابی الگوریتم </strong><strong>GA-Kriging</strong><strong> و مقایسه عملکرد آن با الگوریتم </strong><strong>GA</strong><strong>، از یک شبکه آبرسانی مرجع با هدف یافتن نشت استفاده شد. نتایج نشان داد که الگوریتم </strong><strong>GA-Kriging</strong><strong> با 52 درصد دقت بیشتر نتایج به‌دست آمده و صرفه‌جویی زمان محاسباتی به اندازه 75 درصد، نسبت به الگوریتم </strong><strong>GA</strong><strong> کارایی محاسباتی بیشتری دارد. این پژوهش نشان داد که استفاده مناسب از مدل‌های جایگزین در فرایند بهینه‌سازی می‌تواند سبب هوشمندتر شدن محاسبات، کاهش محاسبات تکراری و در نهایت</strong><strong>،</strong><strong> افزایش کارایی محاسباتی شود.</strong>