مهندسین مشاور طرح و تحقیقات آب و فاضلاب اصفهان مجله آب و فاضلاب 1024-5936 21 1 2010 03 01 Forecasting Daily Urban Water Demand Using Artificial Neural Networks, A Case Study of Tehran Urban Water پیش‌بینی تقاضای روزانه آب شهری با استفاده از شبکه‌های عصبی مصنوعی، مطالعه موردی: شهر تهران 84 95 1782 FA مسعود تابش دانشیار و عضو قطب علمی مهندسی و مدیریت زیرساختها، دانشکده مهندسی عمران، پردیس دانشکده‌های فنی، دانشگاه تهران 0000-0002-8982-8941 مهدی دینی عضو هیئت علمی دانشکده مهندسی عمران، دانشگاه آزاد اسلامی واحد اهر Journal Article 2012 09 14 Water demand forecasting is one of the most important concerns for managers of water supply systems as the results can affect many decisions. Daily demand forecasting cannot be usually accomplished by mathematical functions because it is a complicated function of many variables. In this paper, neural networks are used to predict Tehran daily water demand. At first, weather data from three Tehran weather stations are weighted via the Thissen method and the effective input data parameters are selected using the regression of the weighted effective weather and consumption data. The effective parameters include daily average temperature, relative humidity, and last day to last week (7 days) as well as last year water consumptions. Three different ANN models are built in this stage: a three-layer model with one hidden layer including seven neurons, a four-layer model with two hidden layers including seven neurons in the first and four neurons in the second hidden layer, and a RBF three-layer model with twenty neurons in the middle layer. Comparison of the results of ANN with neuro-fuzzy and time series models shows that ANN models have a higher capability for predicting Tehran daily water consumption. Among these models, the ANN perceptron 3-layer model with a nonlinear output produced more accurate results. پیش‌بینی تقاضای آب در سیستم‌های آبرسانی و توزیع آب، با توجه به‌کمک شایانی که می‌تواند به مدیران این مجموعه‌ها برای مدیریت بحران (حداقل و حداکثر مصرف) داشته باشد، از اهمیت بالایی برخودار است. پیچیدگی و تأثیر عوامل و پارامترهای مختلف بر میزان تقاضای آب در این سیستم‌ها، سبب گردیده است که روشهای تحلیلی و ریاضی کارایی لازم را در این زمینه نداشته باشند. در این مقاله روش شبکه‌های عصبی مصنوعی برای برآورد تقاضای روزانه آب شهری تهران به‌کار رفت. پارامترهای هواشناسی مربوط به سه ایستگاه هواشناسی تهران بزرگ به‌روش تیسن وزن‌دهی شده و از میانگین وزنی آنها، داده‌های ورودی مدل به‌دست ‌آمد. با ایجاد همبستگی بین میانگین وزنی پارامترهای هواشناسی و داده‌های مصرف، پارامترهای مؤثر مدل انتخاب شدند. پارامترهای مؤثر انتخاب شده شامل دمای متوسط روزانه، رطوبت نسبی، مصرف روزانه یک روز قبل تا مصرف روزانه یک هفته قبل (هفت روز) و مصرف روزانه یک سال قبل بودند. در این مقاله از شبکه‌های عصبی مصنوعی پرسپترون سه لایه با خروجی خطی و غیرخطی، مدل پرسپترون چهار لایه با خروجی غیرخطی و مدل RBF استفاده شد. مقایسه نتایج مدل‌ها با همدیگر و با نتایج مدل‌های نروفازی و روشهای سری زمانی ساخته شده در تحقیقات دیگر، نشان می‌دهد که مدل‌های شبکه عصبی از قابلیت بالایی برای مدل‌سازی تقاضای روزانه آب شهری برخوردارند. در این میان، مدل پرسپترون سه لایه با خروجی غیرخطی، دقت بالاتری دارد. https://www.wwjournal.ir/article_1782_4a2ddf148c5a9c42151a529e8cbdcc06.pdf