استخراج الگوهای بهره‌برداری با درنظرگرفتن خطای میراب در تنظیم سازه‌ها در شبکه‌های آبیاری

نوع مقاله : مقاله پژوهشی

نویسنده

استادیار، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران.

چکیده

بهره‌برداری سازه‌ها در کانال‌های انتقال و توزیع آب سنتی به‌صورت دستی و با استفاده از تجربه میراب انجام می‌شود. استخراج الگوهای بهره‌برداری در این کانال‌ها موضوع مهمی است که در پژوهش‌های اخیر نیز با استفاده از هوش مصنوعی، استخراج شده است. یکی از خطاهایی که در هنگام تنظیم سازه‌ها اتفاق می‌افتد، خطای ناشی از تنظیم سازه‌ها توسط میراب می‌باشد. بدین معنی که همواره، مقدار استخراج‌شده را میراب اعمال نکرده و مقداری خطا در تنظیم سازه‌ها اعمال می‌کند. این موضوع و تأثیرات آن در پژوهش‌های قبلی موردمطالعه قرار نگرفته است. در این پژوهش، توانایی الگوریتم یادگیری تقویتی در استخراج الگوهای بهره‌برداری با لحاظ‌کردن خطای میراب که حداکثر 10 درصد است، به‌صورت تصادفی بررسی شده است. جهت شبیه‌سازی کانال موردمطالعه، که بخشی از کانال دز از شبکه آبیاری دز در شمال استان خوزستان است، از یک مدل غیرخطی استفاده شده است. نتایج نشان داد که دقت الگوهای استخراج شده زیاد است، به‌طوری‌که ارزش عمل‌های انتخاب‌شده به‌طور عمده برابر با 9/0 می‌باشد. هم‌چنین، تعداد تکرارها برای رسیدن به پاسخ برابر با 650 تکرار بود.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Determining operational patterns considering operator’s error in structures settings in irrigation networks

نویسنده [English]

  • kazem shahverdi
Assistant Professor, Department of Water Science Engineering, Faculty of Agriculture, Bu-Ali Sina University, Hamedan, Iran.
چکیده [English]

Structures operation in traditional water conveyance and distribution canals is manually done using operators’ experience. Determining operational patterns in these canals is an important issue done in recent studies using artificial intelligence. One of the errors occurring during the settings of the structure is the operators’ error applying some errors as they operate the determined setting. This issue and its effect hasn’t been investigated in the previous research so far. In this research, the reinforcement learning model was used to determine the operational patterns considering the operator errors of five percent and 10 percent applied randomly. A non-linear model of the studied canal that is the E1R1 canal as a part of Dez network located in the north of Khuzestan was employed to simulate. The results showed that reinforcement learning can accurately determine the operational patterns with a maximum iteration of 650 so that the action values are more than 0.9 in most cases.

کلیدواژه‌ها [English]

  • Canal
  • Operator Error
  • Water Management
  • Reinforcement Learning

مراجع

  1. Anwar, A. A., Bhatti, M. T., & de Vries, T. T. (2016). Canal operations planner. I: Maximizing delivery performance ratio. Journal of Irrigation and Drainage Engineering, 142(12), 04016057.
  2. Clemmens, A. J., Kacerek, T. F., Grawitz, B., & Schuurmans, (1998). Test cases for canal control algorithms. Journal of Irrigation and Drainage Engineering, 124(1), 23-30.
  3. Fatemeh, O., Hesam, G., & Shahverdi, K. (2020). Comparing Fuzzy SARSA Learning (FSL) and Ant Colony Optimization (ACO) Algorithms in Water Delivery Scheduling under Water Shortage Conditions. Irrigation and Drainage Engineering.
  4. Liu, Y., Yang, T., Zhao, R.-H., Li, Y.-B., Zhao, W.-J., & Ma, X.-Y. (2018). Irrigation Canal System Delivery Scheduling Based on a Particle Swarm Optimization Algorithm. Water, 10(9), 1281.
  5. Manz, D. H., & Schaalje, M. (1992). Development and application of the irrigation conveyance system simulation model. , International Seminar on the Application of the Irrigation Mathematical Modeling for the Improvement of Irrigation Canal Operation.
  6. Molden, D.J., & Gates, T.K. (1990). Performance measures for evaluation of irrigation-water-delivery systems. Journal of Irrigation and Drainage Engineering, 116(6), 804-823.
  7. Savari, H., Monem, M., & Shahverdi, K. (2016). Comparing the Performance of FSL and Traditional Operation Methods for On-Request Water Delivery in the Aghili Network, Iran. Journal of Irrigation and Drainage Engineering, 142(11), 04016055.
  8. Savari, H., & Monem, M. J. (2022). Optimal operational instructions for on-request delivery using hybrid genetic algorithm and artificial neural network, considering unsteady flow. Irrigation and Drainage, https://doi.org/10.1002/ird.2670.
  9. Shahverdi, K. (2022). Evaluating utilization of structures' settings of one reach in the others. Water and Irrigation Management, 11(4), 769-779 (In Persian).
  10. Shahverdi, K., & Javad Monem, M. (2022). Irrigation canal control using enhanced fuzzy SARSA learning. Irrigation and Drainage, https://doi.org/10.1002/ird.2684.
  11. Shahverdi, K., Maestre, J., Alamiyan-Harandi, F., & Tian, X. (2020). Generalizing Fuzzy SARSA Learning for Real-Time Operation of Irrigation Canals. Water, 12(9), 2407.
  12. Shahverdi, K., Monem, M. J., & Nili, M. (2016). Fuzzy SARSA learning of operational instructions to schedule water distribution and Irrigation and Drainage, 65(3), 276-284.
  13. Sothea, H., Pierre-Olivier, M., Gilles, B., & Cyril, D. (2013). Optimization of water distribution for open-channel irrigation networks.
مدیریت آب و آبیاری
دوره 12، شماره 2
تیر 1401
صفحه 349-358

فایل ها

هم رسانی

ارجاع به این مقاله

آمار