پیش‌بینی بلندمدت مصرف آب شهری با استفاده از شبکه بیزین (مطالعه موردی: شهرستان نیشابور)

نوع مقاله : مقاله کامل پژوهشی

نویسندگان

1 دانشکده مهندسی عمران، پردیس دانشکده‎های فنی، دانشگاه تهران

2 دانشکده مهندسی عمران، پردیس دانشکده‌های فنی، دانشگاه تهران

3 دانشکده مهندسی عمران، دانشگاه صنعتی ارومیه

چکیده

با توجه به مشکل کمبود آب در کشور، پیش‎بینی بلندمدت مصرف آب شهری می‌تواند به عنوان یک راه‌حل مؤثر برای سیاست‌گذاری‌های مدیریت تقاضا و آب‌رسانی در شبکه توزیع‌ آب شهری اتخاذ شود. برای تحقق این امر لزوم تدوین مدلی که بتواند با دقت بالا، پیچیدگی و تأثیر عوامل مختلف بر میزان مصرف آب و عدم قطعیت هریک از این عوامل را نشان دهد، محسوس است. گسترش عدم قطعیت در طول بازه پیش‌بینی سبب شده است که علاوه بر روش‌های قطعی، روش‌های احتمالاتی از جمله شبکه بیزین (Bayesian Network) نیز مورد بررسی قرار گیرد. شبکه‌های بیزین با توجه به ساختار احتمالاتی، سهولت در نظر گرفتن عدم قطعیت در پیش‌بینی و نیز لحاظ نمودن روابط علّی، برای پیش‌بینی مصرف آب شهری بسیار مطلوب است. در این مقاله با استفاده از شبکه‎ بیزین، دو مدل برای پیش‎بینی بلندمدت مصرف آب شهرستان نیشابور ارائه شده است. همچنین کارایی مد‌ل‌های بیزین مزبور در مقایسه با تابع استون- گری و حساسیت مدل‌های ارائه‌شده نسبت به ساختار شبکه‌ای و دسته‌بندی داده‌ها مورد ارزیابی قرار گرفته است. نتایج بررسی‌های صورت گرفته نشان می‌دهد مدل‌های پیشنهادی توانایی پیش‌بینی بلندمدت مصرف آب با دقت بالا را دارند. مقایسه انجام‌شده میان شبکه‌های بیزین و تابع استون-گری (Stone-Geary function) نشان‌دهنده بالاتر بودن دقت شبکه بیزین به­ میزان 50 درصد نسبت به تابع استون-گری است، به‌طوری‌که درصد میانگین خطای مطلق برای مدل بیزین برابر با 05/0 و برای مدل استون- گری برابر با 1/0 به‌دست‌آمده است. همچنین تابع استون- گری حداکثر مقادیر پیش‌بینی‌شده برای مصرف سرانه آب را کم­تر از مدل بیزین و حداقل مصرف را نیز بیشتر از مدل بیزین پیش‌بینی می‌کند.

کلیدواژه‌ها


عنوان مقاله [English]

Long-Term Prediction of Domestic Water Demand Using Bayesian Belief Networks

نویسندگان [English]

  • Massoud Tabesh 1
  • Mahdi Mollaramezani 2
  • Akbar Shirzad 3
  • Niousha Rasi Faghih 2
1 School of Civil Engineering, College of Engineering, University of Tehran, Tehran, Iran
2 School of Civil Engineering, College of Engineering, University of Tehran, Tehran, Iran
3 Faculty of Civil Engineering, Urmia University of Technology, Urmia, Iran
چکیده [English]

According to the water scarcity in recent decades in Iran, long-term prediction of domestic water consumption is a beneficial approach in order to manage water demand and water supply in water distribution systems. Therefore, it is necessary to develop a model which is capable of demonstrating the complexity, uncertainties, and influences of various parameters on water consumption with high accuracy.  The increment of uncertainties in the forecasting period leads to apply probability methods such as Bayesian belief networks in addition to deterministic methods. This paper presents two Bayesian networks to predict long-term water demand in Neyshabour city. Furthermore, the efficiency of those models is compared to the Stone-Geary function; moreover, their sensitivity to the network structure and data categories is evaluated.

کلیدواژه‌ها [English]

  • Bayesian belief network
  • long-term prediction of domestic water demand
  • Uncertainty
  • Probability methods
پورصالحی ف، اکبرپور ا، هاشمی س ر، محمدی ح، "مدل‌سازی اثر الگوی مصرف بر سرانه آب شهری با استفاده از رویکرد سیستمی (مطالعه موردی: شهر بیرجند)"، نشریه مهندسی عمران و محیط زیست دانشگاه تبریز، 1401، 52 (1)، 55-66.
تابش م، بهبودیان ص، بیگی س، "پیش­ بینی بلندمدت تقاضای آب شرب (مطالعه موردی: شهر نیشابور)"‎، تحقیقات منابع آب ایران، 1393، 10 (3)، 14-25.
تابش م، دینی م، خوش­ خلق ج، زهرایی ب، "برآورد مصرف کوتاه ­مدت آب شهری با استفاده از سری­ های زمانی"، مجله تحقیقات منابع آب ایران، 1387، 11 (2)، 57-65.
تابش م، "مدل­سازی پیشرفته شبکه­ های توزیع آب"، چاپ اول، انتشارات دانشگاه تهران، 1395.
دینی م، "پیش ­بینی کوتاه­ مدت مصرف آب شهری با استفاده از شبکه فازی و نوروفازی"، پایان­نامه کارشناسی ارشد مهندسی عمران-آب، پردیس دانشکده‌های فنی دانشگاه تهران، تهران، ایران، 1384.
مهاجرانی ح، مساعدی ا، خلقی م، مفتاح هلقی م، سعدالدین ا، "معرفی شبکه‌هـای تصمیم‌گیری بیزین و کاربرد آن‌ها در مدیریت منابع آب"، اولین همایش ملّی مـدیریت منـابع آب اراضی ساحلی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، مازندران، ایران، 1389.
نیکو م ر، کراچیان ر، "ارزیابی کارایی شبکه‌های بیزی در مدیریت کیفیت آب رودخانـه: کاربرد سیستم نسبت- تجارت"، مجله علمی- پژوهشـی آب و فاضـلاب، 1387، 20 (1)، 23-33.
Bakker M, Van Duist H, Van Schagen K, Vreeburg J, Rietveld L, “Improving the performance of water demand forecasting models by using weather input”, Procedia Engineering, 2014, 70, 93-102.
Behboudian S, Tabesh M, Falah Nezhad M, Alavian Ghavanini F, “A long term prediction of domestic water demand using preprocessing in Artificial Neural Network”, Journal of Water Supply: Research and Technology-AQUA, IWA, 2014, 36 (1), 31-42.
Froelich W, “Forecasting daily urban water demand using dynamic Gaussian Bayesian network”, Beyond Databases, Architectures and structures, Springer International Publishing, 2015, 333-342.
Heckerman D, “A tutorial on learning with bayesian networks”, Microsoft Research Advanced Technology Division, Microsoft Corporation, Redmond, Washington, USA, 1996.
Hugin Expert A/S, “Hugin researcher user guide, version 7.8”, Hugin Expert A/S, Denmark, 2012.
Magiera E, Froelich W, “Application of Bayesian networks to the forecasting of daily water demand”, Intelligent Decision Technologies, Springer International Publishing, 2015, 385-393.
Neapolitan RE, “Learning Bayesian networks”, Prentice Hall, New Jersey, US, 2004.
Ramin M, Labencki T, Boyd D, Trolle D, Arhonditsis GB, “A Bayesian synthesis of predictions from different models for setting water quality criteria”, Ecological Modelling, 2012, 242 (14), 127-145.
Rasifaghihi N, Li SS, Haghighat F, “Forecast of urban water consumption under the impact of climate change”, Sustainable Cities and Society, 2020, 52, 101848.