بهینه‌سازی هزینه پمپاژ چاه‌های آب شرب شهری با استفاده از الگوریتم فرا ابتکاریPSO

الموضوعات :

مسعود عبدی ¹ , حسین ابراهیمی ² , ابوالفضل اکبرپور ³

1 - گروه عمران ، واحد بین الملل کیش، دانشگاه آزاد اسلامی ، جزیره کیش، ایران
2 - گروه علوم و مهندسی آب، واحد شهر قدس، دانشگاه آزاد اسلامی، تهران ، ایران
3 - گروه عمران، دانشگاه بیرجند، بیرجند، ایران

تاريخ الإرسال : 29 الأربعاء , ذو الحجة, 1441 تاريخ التأكيد : 23 الإثنين , ذو الحجة, 1442 تاريخ الإصدار : 13 الجمعة , ذو الحجة, 1442

الکلمات المفتاحية: آب زیرزمینی, PSO, الگوریتم بهینه سازی دسته ذرات, پمپاژ,

ملخص المقالة :

هدف: ابداع فن آوری های نو و بهره گیری از روش های پیشرفته  و نرم افزارها در محیط متخلخل کمک زیادی در حل مسایل مرتبط با آبهای زیرزمینی و بهینه سازی آن کرده است. در مناطقی که آب شرب از طریق ذخایر آب زیرزمینی تامین میشود استفاده  روشهای نوین در جهت بهینه سازی اقتصادی کمک زیادی خواهد کرد. هزینه های پمپاژ و میزان مصرف آب باید کنترل و بهینه شده و اثرات متقابل آنها بررسی می شود. تامین اب شرب از منابع آب زیرزمینی باید بر طبق یک برنامه دقیق از پیش طراحی شده انجام گیرد تا هم از نقطه نظر هزینه پمپاژ و هم از نظر انرژی بهینه شده و  آب  با قیمت مناسب و صرف انرژی بهینه به مصرف کننده تحویل شود.
روش­: در این مطالعه از الگوریتم فراابتکاری ازدحام ذرات  (PSO) به منظوره بهینه سازی پمپاژ چاه های آب زیرزمینی که تامین کننده آب شرب هستند استفاده شد. از داده های میزان افت سطح ایستابی و هزینه ی مورد نیاز برای پمپاژ در چاه های طرح تامین اب شرب شهر مشهد استفاده شد. نتایج نشان می­دهد که با بهره­گیری از الگوریتمPSO علاوه بر تامین قیود مسئله ، میتوان هرینه استحصال آب را کم کرد.
یافته­ها: نتایج نشان میدهد که با یکسان نگه داشتن تعداد چاه در طرح موجود و با اعمال این الگوریتم هزینه پمپاژ4.3 درصد کاهش می یابد. همچنین نتایح تحلیل حساسیت نشان می­دهد برای یک مقدار مشخص و ثابت آب، با افزایش 100 درصدی نرخ پمپاژ با دو حلقه چاه نیاز آبی مورد نظر تامین می­شود و هزینه های کل حدود 56 درصد کاهش می­یابد. همچنین با کاهش نرخ پمپاژ، تعداد چاه مورد نیاز برای تامین نیاز آبی مشخص به 7 حلقه افزایش یافته و هزینه های کل 26 درصد افزایش می­یابد.

المصادر:

1. Elçi A, Ayvaz MT (2014) Differential-evolution algorithm based optimization for the site selection of groundwater production wells with the consideration of the vulnerability concept. Journal of Hydrology 511:736–749.


2. Conkling H (1946) Utilization of ground-water storage in stream system development. Transactions of the American Society of Civil Engineers 111(1):275–305


3. Iran Ministry of Energy (2013) Standards code title 577. Iran Ministry of Energy Press, Tehran (In Persian).


4. Eberhart RC, Kennedy J (1995) A new optimizer using particle swarm theory. In: Proc. of the Sixth International Symposium on Micro Machine and Human Science (MHS-1995), 4-6 October, Nagoya, Japan, 39-43.


5. Baltar, a., and Fontane, D.G,(2004). A multiobjective particle swarm optimization model for reservoir operations and planning. Dept. of Civil and Environmental Engineering. Colorado State University, USA.


6. McKinney DC, Lin M-D (1994) Genetic algorithm solution of groundwater management models. Water Resources Research 30(6):1897


7. Huang C, Mayer AS (1997) Pump-and-treat optimization using well locations and pumping rates as decision Water Resources Research 33(5):1001–1012.


8. Hsiao C-T, Chang L-C (2002) Dynamic optimal groundwater management with inclusion of fixed costs. Journal of Water Resources Planning and Management 128(1):57–65


9. Katsifarakis KL, Petala Z (2006) Combining genetic algorithms and boundary elements to optimize coastal aquifers management. Journal of Hydrology 327(1-2):200–207.


10. Gaur S, Chahar B R, Graillot D (2011) Analytic elements method and particle swarm optimization based simulation-optimization model for groundwater management. Journal of Hydrology 402(3-4):217–227


11. Ch S, Kumar D, Prasad RK, Mathur S (2013) Optimal design of an in-situ bioremediation system using support vector machine and particle swarm optimization. Journal of Contaminant Hydrology 151:105–116


12. Ayvaz ,Mt, Elçi A (2013) A groundwater management tool for solving the pumping cost minimization problem for the Tahtali watershed (Izmir-Turkey) using hybrid hs-solver optimization algorithm. Journal of Hydrology 478:63–76.


13. Ketabchi H, Ataie-Ashtiani B (2011) Development of Combined Ant Colony Optimization Algorithm and Numerical Simulation for Optimal Management of Coastal Aquifers. Iran-Water Resources Research 7(1):1-12


14. Nakhaei M, Mohammadi M, Rezaie M (2014) Optimizing of aquifer withdrawal numerical model using genetic algorithm (case study: Uromiyeh coastal aquifer). Iran-Water Resources Research 10(2):94-97 (In Persian)


15. Kennedy,J.(1998).The behavior of Particle, Porto,V. W., Saravanan, N., Waagen,D., and Eiben,.A.e.(eds) ,In Evolutionary Programming VII , Springer ,581-590.


16. Arumugam,M.S, and M. V. C. Rao, “On the improved performances of the particle swarm optimization algorithms with adaptive parameters, cross-over operators and root mean square (RMS) variants for computing optimal control of a class of hybrid systems,” Applied Soft Computing Journal, vol. 8(1), pp. 324–336, 2008.


17. Ghasemi-Nejad A (2015) Multi-objective water resource allocation planning considering qualitative and quantitative goals (Case study: Doosti Reservoir). M.Sc. Thesis, Shahid Beheshti University (In Persian).


18. Chaudhry S (2003) Unit cost of desalination. California Desalination Task Force, California Energy Commission, Sacramento, California


19. Toossab Consulting Engineers Company (2013) National water plan main report (Fifth volume: eastern basins). Iran Ministry of Energy Press, Tehran (In Persian)


20. Sadeghi tabas S, Samadi SZ, Akbarpour A, Pourreza Bilondi M (2016) Sustainable groundwater modeling using single-and multi-objective optimization algorithms, Journal of Hydroinformatics, 18(5), pp. 1-18, 2016.