بررسی عوامل موثر بر دقت کنتورهای آب و ارائه رویکردی مناسب جهت تعویض آن‌ها با استفاده از روش خوشه بندی وشبکه عصبی مصنوعی

نویسندگان

1 گروه عمران، دانشکده مهندسی، دانشگاه بیرجند، بیرجند، خراسان جنوبی

2 استادیار دانشگاه بیرجند

3 گروه عمران، دانشکده مهندسی، دانشگاه بیرجند، بیرجند، استان خراسان جنوبی

10.22125/iwe.2021.138353

چکیده

آب بدون درآمد یکی از مهمترین مسائلی است که امروزه شرکت­های آبفا درصدد کاهش هر چه بیشتر آن هستند و اغلب پژوهش‏های داخلی صورت پذیرفته این بخش، معطوف بر هدررفت واقعی و نشت در خطوط انتقال و توزیع آب بوده و تاکنون توجه کمتری به دومین مؤلفه آب بدون درآمد و به اختصار عدم دقت تجهیزات اندازه­گیری صورت پذیرفته است. در این پژوهش به دلیل نبود روندی علمی و کاملا مشخص در خصوص تعویض کنتورها در شرکت­های آبفا، مطالعات میدانی در خصوص دقت تجهیزات اندازه­گیری و خطای کنتورهای مشترکین صورت پذیرفت و با ارائه رویکردی جدید به مقایسه محدوده عملکرد کنتورها پرداخته شد؛ ابتدا به شناسایی پارامترهای موثر بر دقت کنتورها پرداخته و سپس به روش خوشه­بندی، کنتورها مورد مقایسه قرار گرفتند و میزان اثرگذاری هر پارامتر بر میزان دقت کنتورها مشخص گردید. به منظور پیش­بینی نحوه عملکرد کنتورها، از الگوریتم شبکه عصبی مصنوعی و به منظور بهینه سازی ماتریس وزن­ها و بایاس در تابع فعالیت شبکه از الگوریتم ژنتیک استفاده گردید.

کلیدواژه‌ها


عنوان مقاله [English]

Investigating the Factors Affecting the Accuracy of Water Meters and Providing Appropriate Approach for Replacing them Using Cluster Analysis and Artificial Neural Networks

نویسندگان [English]

  • Mohamad behruzian 1
  • Mahdi Naseri 1
  • mohamad akbari 2
  • ali nasirian 3
1 Civil engineering department, faculty of engineering, university of Birjand, Birjand, Iran
2 Assistant Professor, Faculty of Engineering, University of Birjand
3 civil engineering department, engineering facility, university of Birjand, Birjand
چکیده [English]

Non-Revenue Water(NRW) is one of the most important problems that beneficiaries companies are trying to reduce. Most of researches have been done in this subject, focused on actual losses and leakage in water conveyance and distribution systems and less attention has been paid to the second component of NRW and Precision of Measurement Equipment (PME) yet. In this research, due to the lack of a clear scientific knowledge about the replacement of Water Meters(WM) in national water and wastewater engineering companies, field studies have been carried out on the PME and errors of subscribers' WM and the performance range of the WMs was compared using a new approach. At first, the identification of effective parameters on the accuracy of the WM was investigated and then by clustering method, the WM were compared and the effect of each parameter on the accuracy of the WM was determined. In order to predicting the performance and accuracy of the WM, Artificial Neural Network(ANN) algorithm was used and for optimizing the weights and biases matrix, Genetic Algorithm(GA) was used too

کلیدواژه‌ها [English]

  • Precision measuring equipments
  • Apparent loss
  • Test and replacement of water meters
  • Cluster analysis
  • Artificial Neural Network
راهنمای شناخت و بررسی عوامل موثر در آب به حساب نیامده و راهکارهای کاهش آن، 1391 ، نشریه 556، ص 2-1.
ضوابط و معیارهای فنی عملیات اصلاح، بازسازی و نوسازی شبکه توزیع آب، 1394، ضابطه شماره 687، ص 2-1.
 Allender, H.D., 1996. Determining the economical optimum life of residential water
meters. Water Eng. Manag. 143 (9): 20-24.
Arregui, F.J., Cobacho, R., Cabrera Jr., E., Espert, V., 2010. Graphical method to calculate the optimum replacement period for water meters. J. Water Resour. Plann. Manag. 137 (1): 143-146.
Davis, S.E., 2005. Residential water meter replacement economics. In: Proceedings of IWA Leakage 2005 Conference: 1-10.
Farley, M., Trow, S. (Eds.), 2003. Losses in Water Distribution Networks: a Practitioner's Guide to Assessment, Monitoring and Control. IWA publishing.
Frauendorfer, R.; Liemberger, R., 2010.  The Issues and Challenges of Reducing Non-Revenue Water; Asian Development Bank: Mandaluyong, Philippines.
Fraley, Ch., Raftery, A., 1998 . How Many Clusters? Which Clustering Method? Answers Via Model-Based Cluster Analysis. The Computer Journal, Vol. 41, No (8): 579- 584.
Farley, M., Trow, S. (Eds.), 2003. Losses in Water Distribution Networks: a Practitioner's Guide to Assessment, Monitoring and Control. IWA publishing.
.Fontanazza, C.M., Freni, G., La Loggia, G., Notaro, V., Puleo, V., 2012. A composite indicator for water meter replacement in an urban distribution network. Urban Water J. 9 (6): 419-428.
Hall, J.W., Le Masurier, J.W., Baker-Langman, E.A., Davis, J.P., Taylor, C.A., 2004. A decision-support methodology for performance-based asset management. Civ. Eng. Environ. Syst. 21 (1): 51-75.
Mutikanga, H.E., Sharma, S.K., Vairavamoorthy, K., 2011. Investigating water meter performance in developing countries: a case study of Kampala, Uganda. WaterSA 37 (4): 567-574.
Noss, R.R., Newman, G.J., Male, J.W., 1987. Optimal testing frequency for domestic water meters. J. Water Resour. Plann. Manag. 113 (1): 1-14.
OECD, Organisation for Economic Co-operation, and Development, 2008. Handbook on Constructing Composite Indicators. Methodology and User Guide. OECD Publishing, Paris, France.
OIML-R49, Eddition 2006 (E): 43.
Thornton, J., Sturm, R., Kunkel, G., 2008. Water Loss Control. McGraw Hill Professional.
Yee, M.D., 1999. Economic analysis for replacing residential meters. Am. Water Works Assoc. J. 91 (7): 72.