بهره برداری از کاناال های آبیاری با استفاده از مدل های هوشمند

رشد سریع جمعیت، کشاورزی، شهرنشینی و صنعت موجب افزایش تقاضای آب و رقابت برای مصارف مختلف شده است. ترویج بهره وری آب در کشاورزی تاثیر قابل توجهی بر افزایش راندمان مصرف آب دارد. روش های توزیع و تحویل آب نیز نقش تعیین‏کننده ای در میزان انعطاف پذیری سامانه های آبیاری و بهبود بهره وری آب دارند. از میان روش های موجود، روش تحویل برحسب درخواست انعطاف پذیری بیشتری نسبت به روش گردشی دارد و نسبت به روش برحسب تمایل (بر حسب تقاضا) به زیرساخت های کمتری نیاز دارد. تنظیم مناسب سازه ها و دستورالعمل های بهره برداری بین درخواست های متوالی تابعی از تغییرات دبی، فاصله زمانی بین بهره برداری ها، همزمانی درخواست های مختلف، شرایط فیزیکی سازه های کانال و رفتار هیدرودینامیکی جریان می باشد که موجب پیچیدگی و لزوم استفاده از روش های ریاضی جهت مدل سازی و بهره برداری می گردد. در این تحقیق از روش جدید FSL (آموزش سارسای فازی) و روش ANN (شبکه های عصبی مصنوعی) استفاده گردید و بمنظور تعیین عملکرد روش جدید بکار رفته عملکرد آن با روش ANN مقایسه گردید. داده های بکار رفته نیز مربوط به کانال عقیلی شرقی واقع در استان خوزستان می باشند.

در این تحقیق، مقایسه کارایی دو روش یادگیری مدرن (یادگیری تقویتی سارسای فازی) و یادگیری سنتی (شبکه های عصبی مصنوعی) به منظور برنامه ریزی توزیع و تحویل آب در روش تحویل برحسب درخواست در کانال عقیلی شرقی استان خوزستان انجام شد. به منظور شبیه سازی از 70%، 15% و 15% داده ها به ترتیب برای آموزش، کالیبراسیون و اعتبار سنجی مدل ها استفاده شد. یادگیری و آموزش داده های دبی و بازشدگی آبگیرها توسط شبکه های عصبی مصنوعی پرسپترون چند لایه و تابع پایه شعاعی انجام و بهترین حالت تنظیم سازه ها با استفاده از معیارهای ضریب همبستگی و ریشه میانگین مربعات خطا انتخاب شد. همچنین، بهترین تنظیم سازه ها با استفاده از روش یادگیری تقویتی نیز استخراج گردید. به منظور ارزیابی نتایج نیز از شاخص ‏های راندمان، کفایت، پایداری و عدالت در تحویل آب و همچنین شاخص های میانگین و حداکثر نوسانات سطح آب نسبت به عمق هدف استفاده گردید.

 بر اساس نتایج بدست آمده مشاهده شد که شاخص MPA (عدالت در تحویل) در روش شبکه عصبی مصنوعی برای بلوک های اول و دوم کانال به ترتیب برابرند با 952/0 و 919/0 و در حالت استفاده از روش سارسای فازی این مقادیر به ترتیب برابر 996/0 و 1 می باشند. همچنین مقادیر شاخص MPF  (راندمان در تحویل) در هنگام شبیه سازی با استفاده از شبکه عصبی در هر دو بلوک برابر 1 می باشد و در شبیه سازی با استفاده از FSL این مقادیر برابر 999/0 و 971/0 می باشند. در روش MLP خطای حداکثر نوسانات سطح آب در بلوک های اول و دوم به ترتیب برابرند با 2/9 و 8/3 درصد و در روش FSL این خطاها برابرند با 5/5 و 4/7 درصد. نتایج نشان داد که شاخص های میانگین و حداکثر نوسانات سطح آب برابر حداقل خود می باشند و شاخص های تحویل آب نیز به مقادیر مطلوبشان نزدیک می باشند. بطور کلی می‏توان نتیجه گرفت با توجه به شاخص ‎های ارزیابی، روش FSL نتایج بهتری نسبت به روش MLP دارد. با این حال نتایج روش MLP نیز قابل قبول و معتبر می ‏باشد.

در این تحقیق از روش شبکه های عصبی پرسپترون چندلایه و تابع پایه شعاعی در برنامه متلب جهت تعیین دستورالعمل های بهره برداری کانال عقیلی شرقی در استان خوزستان استفاده شد و نتایج با روش سارسای فازی مورد مقایسه قرار گرفت. بمنظور شبیه سازی هیدرودینامیکی کانال نیز مدل ICSS مورد استفاده قرار گرفت. بررسی ها نشان داد که نتایج شبکه پرسپترون چندلایه از شبکه تابع پایه شعاعی بهتر است و نتایج مدل سازی با روش سارسای فازی نیز از روش پرسپترون چندلایه مناسب تر می باشد. اما بهرحال هر دو روش می توانند در عمل مورد استفاده قرار گیرند.