تحلیل فضایی و مدل‌سازی شبکه عصبی مصنوعی برای کاهش آب بدون درآمد در سامانه‌های توزیع آب شهری با استفاده از GIS

کد مقاله : 1508-IWWA

نویسندگان

ساناز قندهاری * شرکت آب و فاضلاب

چکیده مقاله

آب بدون درآمد (Non Revenue Water – NRW) از چالش‌های اساسی بهره‌برداری شبکه‌های آبرسانی شهری است که موجب اتلاف منابع مالی، کاهش راندمان و فشار بر زیرساخت‌های موجود می‌شود. هدف این پژوهش، توسعه چارچوبی هوشمند و تعمیم‌پذیر برای تحلیل فضایی و مدل‌سازی هدررفت آب با بهره‌گیری از سیستم اطلاعات جغرافیایی (GIS) و شبکه عصبی مصنوعی (ANN) است. داده‌های پنج زون از شبکه توزیع آب نیشابور شامل فشار، عمر لوله، طول لوله‌ها بر اساس جنس PE، AC، GRP، ST، GA، حجم آب ورودی، تعداد مشترکین و درصد واقعی NRW گردآوری و نرمال‌سازی شدند. به دلیل محدودیت تعداد نمونه‌ها، از روش اعتبارسنجی Leave One Out (LOOCV) برای جلوگیری از بیش‌برازش استفاده شد. در غیاب کتابخانه TensorFlow، مدل جنگل تصادفی (Random Forest Regressor) به عنوان جایگزین ANN به کار رفت. نتایج به ترتیب R² = 0.117، RMSE ≈ 3.62 % و MAE ≈ 2.62 % را نشان داد. تحلیل اهمیت متغیرها بیانگر نقش شاخص‌های «عمر لوله» (۱۴.۹۷ ٪) و «فشار» (۵.۷۴ ٪) در بروز NRW بود. نقشه فضایی GIS نشان داد بیشترین مقدار NRW در زون ۴ (۴۸ ٪) و کمترین در زون‌های ۱ و ۲ (۳۷ ٪) است. یافته‌ها تأیید کردند که ترکیب روش‌های داده‌محور و تحلیل مکانی می‌تواند ابزار کارآمدی برای شناسایی نواحی پرریسک و تصمیم‌گیری در مدیریت فشار و نوسازی شبکه‌های شهری باشد. این چارچوب قابلیت تعمیم به سایر شبکه‌ها در محیط‌های کم‌داده‌ای را نیز دارد

کلیدواژه ها

مدیریت آب شهری؛ آب بدون درآمد (NRW)؛ شبکه عصبی مصنوعی (ANN)؛ سیستم اطلاعات جغرافیایی (GIS)؛ تحلیل فضایی؛ یادگیری ماشین

وضعیت: پذیرفته شده برای ارائه شفاهی