عنوان پایان‌نامه
مدل شبکه عصبی مصنوعی برای بهره برداری بهینه از مخزن سد، مطالعه موردی: سدشاهچراغی
- رشته تحصیلی
- مهندسی کشاورزی - مهندسی منابع آب
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 58921;کتابخانه پردیس ابوریحان شماره ثبت: 703
- تاریخ دفاع
- ۱۶ شهریور ۱۳۹۲
- دانشجو
- لیلا امیری بشلی
- استاد راهنما
- محمدابراهیم بنی حبیب
- چکیده
- منابع آب سطحی در ایران سهم عمده ای در تامین نیاز آبی بخش‌های مختلف شرب، کشاورزی، زیست محیطی و برقابی دارا می‌باشند. در سال‌های اخیر، افزایش نرخ رشد جمعیت، رشد تقاضا، محدودیت منابع آب و هزینه‌های کلان تامین آب ، موجب شده که مدیریت بهره برداری از منابع آب بیش از پیش مورد توجه قرار گیرد. به این منظور، مدیران جهت برنامه ریزی استفاده از منابع آب به خصوص مخازن سدها به عنوان یکی از سازه¬های آبی ذخیره کننده¬ی منابع آب سطحی و رواناب¬ها، نیاز به اتخاذ سیاست¬های بهینه¬ی بهرهبرداری از مخزن را دارند. در تحقیق حاضر عملکرد روش‌های مورد استفاده در استخراج قواعد بهرهبرداری از مخزن از قبیل سیاست برنامه ریزی پویا-شبکه عصبی مصنوعی (ANN-DP)و شبکه عصبی مصنوعی با ورودی ماه جاری و بدون آن(ANN2, ANN1) و سیاست بهره برداری استاندارد و روش سیاست برنامه ریزی پویا -رگرسیون خطی برای سیستم تک مخزنه سد شاهچراغی بصورت تابعی از حجم مخزن، حجم ورودی به مخزن و نیاز پایین دست با هدف کمینه‌سازی کمبودها برای دوره‌های آموزش و آزمون مورد ارزیابی قرار گرفته است. هدف از این تحقیق مقایسه عملکرد روش‌های مذکور و ارائه روشی است که با استفاده از آن بتوان قواعد بهرهبرداری از سدهای ذخیره‌ای را بر مبنای شاخص‌های عملکرد آن‌ها تعیین نمود. بنابراین جهت مقایسه و رتبه‌بندی روش‌های بهرهبرداری از معیارهای عملکرد مخزن شامل اعتماد‌پذیری و آسیب‌پذیری، برگشت‌پذیری و نهایتا شاخص انعطاف‌پذیری استفاده شده است. شاخص انعطاف‌پذیری ترکیبی از معیارهای عملکرد مخزن می‌باشد برای سال‌های آموزش، در مدل ANN2 در سطح 34 درصد بیشترین مقدار شاخص انعطاف‌پذیری را نسبت به روش‌های دیگر دارد و برای سال‌های آزمون مدل ANN-DP در سطح 20 درصد بیشترین مقدار شاخص انعطاف‌پذیری را نسبت به روش‌های دیگر دارد. از آنجایی که معیار انتخاب سال‌های آزمون می‌باشد، لذا مدل ANN-DP بعنوان مدل برتر این تحقیق توصیه می‌شود. واژگان کلیدی: بهرهبرداری بهینه از مخزن، شبکه عصبی مصنوعی، معیار عملکرد مخزن، سد شاهچراغی
- Abstract
- Surface Water resources play a key role in supplying water drink, agricultural, environment and hydropower production in Iran. In recent years, due to increase in population growth rate and demand, water resources shortage, macro-cost of water supply projects caused that more researches concentrate on water resources optimization. For this purpose, water resources managers need to optimize reservoirs’ operation policy for better water resources planning. In this research, ability of methods for determination of reservoirs’ rules curves such as: dynamic programming, artificial neural network-dynamic programming (ANN-DP) and artificial neural network with current month flow and without it (ANN1 and ANN2), Standard Operating Policy (SOP) and the method of dynamic programming-linear regression (DP-LR) for Shahcheraghi reservoir system are evaluated as a function of reservoir volume and reservoir inflow and downstream demand with the aim of minimizing the deficiencies for two data group including training and testing sets. The purpose of this research is to compare the ability of the methods and represent a method which is able to determine the operation rule curves of a storage dams based on their operation criteria. Thus, in order to compare and rank the methods, reservoir performance criteria, as a performance threshold, vulnerability, reliability and finally flexibility index have been used. Flexibility index which combines the reservoir performance criteria. For training years, ANN2 model with flexibility index of 34% ranks the highest value and for testing years, ANN-DP model with flexibility index of 20% ranks the highest value comparing to other methods. Therefore, the criteria for select is the test years, so ANN-DP is recommended as the best model of this research. Keywords: Optimize Reservoir Operation, Artificial Neural Network, reservoir performance criteria, Shahcheraghi
