مطالعه تجربی کاهش تبخیر از مخازن آب با استفاده از پوشش‌های پلی‌استایرن، چوب و موم و تخمین آن با الگوریتم‌های هوشمند

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد مهندسی و مدیریت منابع آب، دانشکده مهندسی عمران، دانشگاه سمنان،

2 استادیار گروه مهندسی عمران- مهندسی آب و سازه های هیدرولیکی، دانشکده مهندسی عمران، دانشگاه سمنان

3 گروه مهندسی آب و سازه های هیدرولیکی، دانشکده مهندسی عمران، دانشگاه سمنان

4 استاد گروه مهندسی آب، دانشکده مهندسی عمران، دانشگاه سمنان، ایران

10.22125/iwe.2020.120727

چکیده

تبخیر از سطح مخازن آب منجر به اتلاف آب مورد مصرف کشاورزی، صنعت و شرب می­شود. از جمله روش­های کنترل تبخیر می­توان به استفاده از پوشش­های فیزیکی اشاره نمود. در این پژوهش، برای کاهش تبخیر از تشت­های تبخیر استاندارد کلرادو مدفون در زمین، از ورقه­های پلی استایرن، قطعات چوب و ورقه­های موم عسل به­عنوان پوشش­های فیزیکی روی سطح آب استفاده گردید. تأثیر هر ماده با سه بار تکرار (در سه تشت مجزا) مورد بررسی قرار گرفت و 3 عدد تشت نیز به عنوان شاهد مورد استفاده قرار گرفت. اندازه­گیری تبخیر برای تمامی تشت­ها به مدت 4 ماه و به صورت روزانه انجام شد. نتایج آزمایش نشان داد که پوشش پلی­استایرن به طور متوسط 54 درصد، پوشش چوب 19 درصد و پوشش موم  18 درصد در کاهش تبخیر مؤثر است. در ادامه پژوهش، برای تخمین درصد کاهش تبخیر، از مدل درخت تصمیم M5، ماشین بردار پشتیبان حداقل مربعات (LSSVM) و شبکه عصبی مصنوعی (ANN) استفاده شد. داده­های هواشناسی ایستگاه سینوپتیک شهر سمنان به عنوان داده­های ورودی برای هر سه مدل مورد استفاده قرار گرفت. هر سه روش در دوره­های آموزش از دقت بالایی برخوردار بودند. در دوره آزمون به ترتیب روش LSSVM، درخت تصمیم M5 و ANN از دقت بیشتری ­برخوردار بودند. مقادیر R2، RMSE و MAE روش LSSVM در مرحله آزمون به ترتیب 9834/0، 3718/2 و 7212/1 به‏دست آمد. نتایج کلی در پژوهش حاضر نشان می­دهد که استفاده از پوشش پلی­استایرن می­تواند عملکرد مناسبی در کنترل تبخیر از مخازن و استخر­های ذخیره­ای آب داشته باشد.

کلیدواژه‌ها

عنوان مقاله [English]

Experimental Study of Evaporation Reduction Using Polystyrene Coating, Wood and Wax and its Estimation by Intelligent Algorithms

نویسندگان [English]

  • hamidreza ghazvinian 1
  • hojat karami 2
  • Saeed Farzin 3
  • Sayed Farhad Mousavi 4
1 M.Sc. student, Civil Engineering Faculty, Semnan University,
2 Assistant Professor, Department of Civil Engineering, Semnan University, Semnan, Iran
3 Assistant Professor, Department of Water Engineering and Hydraulic Structures, Faculty of Civil Engineering, Semnan University, Semnan, Iran
4 Professor, Department of Water Engineering, Faculty of Civil Engineering, Semnan University, Semnan, Iran
چکیده [English]

Evaporation from the surface of water reservoirs leads to loss of water used in agriculture, industry and drinking. One of the methods of controlling evaporation is the use of physical coatings. In this research, polystyrene sheets, pieces of wood, and honey-bee wax sheets were used as physical coatings on the surface of the water to reduce evaporation from standard buried Colorado evaporation pans. The effect of each coating with three replicates (in three separate pans) was investigated and also three pans were considered as control. Evaporation was measured daily from all pans for 4 months. Results of the experiment showed that polystyrene, wood and wax coatings reduced evaporation by 54, 19 and 18%, respectively. Next, to estimate the percentage of evaporation reduction, decision tree M5, least squared support vector machine (LSSVM) and artificial neural network (ANN) were used. Meteorological data of Semnan synoptic station was used as input data for all the three models. All three methods were highly accurate in the training period. During the test period, the LSSVM method, decision tree M5 and ANN were more accurate, respectively. The values ​​of R2, RMSE and MAE of the LSSVM method at the test step were 0.9834, 2.3718, and 1.7212, respectively. The general results of this study showed that using polystyrene coating can have proper function in controlling evaporation from reservoirs and water storage pools.

کلیدواژه‌ها [English]

  • Evaporation reduction
  • Polystyrene
  • Wood
  • Wax
  • Intelligent Algorithms

مراجع

سپاس­خواه، ع. 1397. کاهش تبخیر از مخزن آب سدها. پژوهش­های راهبردی در علوم کشاورزی و منابع طبیعی، دوره 3، شماره 1، ص 26-13.
قزوینیان، ح.، س. فرزین.، ح، کرمی و س.ف. موسوی. 1399. بررسی اثر استفاده از لایه‏‌های پلی‏‌استایرن بر کاهش تبخیرمخازن ذخیره آب در مناطق خشک و نیمه‏‌خشک (مطالعه موردی: شهر سمنان). آب و توسعه پایدار، دوره هفتم، شماره 2، ص 52-45.
کرمی, ح.، س. فرزین.، ا. ضمیری و ش. نیّر. 1396. آنالیز عددی مشخصه‌های جریان عبوری از سرریز استوانه‌ای با استفاده از مدل .Flow3D نشریه علمی پژوهشی مهندسی آبیاری و آب ایران، سال هشتم، شماره 30، ص 18-1.
ولیخان انارکی، م. 1397.  ارزیابی عدم قطعیت در تعیین فراوانی وقوع سیلاب بر اساس تغییر اقلیم با استفاده از ماشین­های یادگیری. پایان­نامه کارشناسی ارشد مهندسی عمران، گرایش مهندسی و مدیریت منابع آب، دانشگاه سمنان.
هاشمی منفرد، س.، ا.، م. رضاپور، ح. رضاپور و م. اژدری مقدم. 1397. استفاده از صفحات خورشیدی شناور به عنوان بادشکن به منظور کاهش تبخیر و تولید انرژی با استفاده از مدل‌سازی ANSYS FLUENT (مطالعۀ موردی: چاه نیمۀ شمارۀ 4 سیستان) . اکوهیدرولوژی، سال پنجم، شماره 4، ص 1307-1297.
هژبر، ح.، ه. معاضد و س. شکری کوچک. 1393. برآورد تبخیر و تعرق مرجع با استفاده از مدل‌های تجربی، مدل‌سازی آن با شبکه عصبی مصنوعی و مقایسه آن‌ها با داده‌های لایسیمتری در ایستگاه کهریز ارومیه. نشریه علمی پژوهشی مهندسی آبیاری و آب ایران، سال چهارم، شماره 3، ص 25-13.
Akbari, M., G. Shafabakhsh. and M.R. Ahadi. 2020. The impact of segmentation method on the aggregate goodness-of-fit measurements of non-linear crash prediction models. SN applied sciences, 2, 1655.
 Akbari, M., G. Shafabakhsh. and M.R. Ahadi. 2020. Single-vehicle Run-off-road Crash Prediction Model Associated with Pavement Characteristics. International journal of engineering, 33(7): 1375-1386.
Benzaghta, M. A. 2014. Estimation of evaporation from a reservoir in semi-arid environments using artificial neural network and climate based models. Current Journal of Applied Science and Technology, 4(24): 3501- 3518.
Ghazvinian, H., S.F. Mousavi., H. Karami., S. Farzin., M. Ehteram., M.S. Hossain., C.M. Fai., H.B. Hashim., V.P. Singh., F.C. Ros., A.N. Ahmad. H.A. Afan., S.H. Lai. and El-Shafie. A. 2019. Integrated support vector regression and an improved particle swarm optimization-based model for solar radiation prediction. Plos one, 14(5): e0217634.
Ghazvinian, H., H. Karami., S. Farzin. and S.F. Mousavi. 2020. Effect of MDF-cover for water reservoir evaporation reduction, experimental, and soft computing approaches. Soft computing in civil engineering, 4(1): 98-110.
Ghazvinian, H., H. Bahrami., H. Ghazvinian. and S. Heddam. 2020. Simulation of monthly precipitation in Semnan city using ANN artificial intelligence model. Soft computing in civil engineering, 4(4): 36-46.
 Hadi, S. J. and M. Tombul. 2018. Streamflow forecasting using four wavelet transformation combinations approaches with data-driven models: A comparative study. Water Resources Management, 32(14): 4661-4679.
 Heddam, S. and O. Kisi. 2018. Modelling daily dissolved oxygen concentration using least square support vector machine, multivariate adaptive regression splines and M5 model tree. Journal of Hydrology, 559: 499-509.
Khan, M. A. and V. C. Issac. 1990. Evaporation reduction in stock tanks for increasing water supplies. Journal of Hydrology, 119: 21–29.
Kisi, O. 2015. Pan evaporation modeling using least square support vector machine, multivariate adaptive regression splines and M5 model tree. Journal of Hydrology, 528: 312-320.
Martinez Alvarez, V., A. Baille, J. M. Molina Martinez and M. M. Gonzalez-Real. 2006. Effect of black polyethylene shade covers on the evaporation rate of agricultural reservoirs. Spanish Journal of Agricultural Research, 4(4): 280-288.
Miralles, D. G., C. Jimenez, M. Jung, D. Michel, A. Ershadi, M. F. Mccabe and D. Fernandez-Prieto. 2016. The WACMOS-ET project – part 2: Evaluation of global terrestrial evaporation data sets. Hydrology and Earth System Sciences, 20(2): 823-842.
Mujumdar, P. P. and S. Ghosh. 2008. Modeling GCM and scenario uncertainty using a possibilistic approach: Application to the Mahanadi River, India. Water Resources Research, 44(6): W06407.
Naderpour, H., A. H. Rafiean and P. Fakharian. 2018. Compressive strength prediction of environmentally friendly concrete using artificial neural networks. Journal of Building Engineering, 16: 213-219.
Qasem S. N., S. Samadianfard, S. Kheshtgar, S. Jarhan, O. Kisi, S. Shamshirband and K. W. Chau. 2019. Modeling monthly pan evaporation using wavelet support vector regression and wavelet artificial neural networks in arid and humid climates. Engineering Applications of Computational Fluid Mechanics, 13: 177–187.
Quinlan, J. R. 1992. Learning with continuous classes. In 5th Australian Joint Conference on Artificial Intelligence, 92: 343-348.
Subramanya, K. 2008. Engineering hydrology. 3rd ed., Noida, Uttar Pradesh, India: Tata McGraw-Hill education.
Suykens, J. A. 2001. Nonlinear modelling and support vector machines. In Instrumentation and Measurement Technology Conference, IMTC 2001, Proceedings of the 18th IEEE, 1: 287-294.
Tavakol-Davani, H., M. Nasseri and B. Zahraie. 2013. Improved statistical downscaling of daily precipitation using SDSM platform and data-mining methods. International Journal of Climatology, 33(11): 2561-2578.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار