Application of Multilayer Perceptron for the Calculation of Pressure Losses in Water Supply Lines

• Autorzy: Czapczuk A. , Dawidowicz J. , Piekarski J.

Warianty tytułu

PL

Zastosowanie perceptronu wielowarstwowego do obliczeń strat ciśnienia w przewodach wodociągowych

• Języki publikacji: EN

Abstrakty

EN

Numerical methods have been widely used for many years in the design and operation of water supply systems. Specialised computer programmes offer more and more facilities, especially for data entry and viewing, but they still function on the basis of predetermined algorithms. At present, however, we strive to create computational programmes with a certain degree of creativity, which should make it easier for users to make decisions at various stages of the task and improve the quality of their solutions. The increasing power of computers will not solve complex problems alone. Only by introducing appropriate calculation methods can we obtain the right results. It seems that classical algorithms with a formalised course can be supplemented, nowadays, with far more advanced computational techniques. This paper presents an literature review on the use of artificial neural networks in the design and operation of water distribution systems. Presented in the second part of the paper, is an overview of the artificial neural network, developed for the calculation of pressure losses in water supply lines. The calculation of hydraulic piping with the EPANET programme for various input parameters resulted in a collection of 16,260 training examples. Input parameters of the neural network include pipe length, measurable flow, absolute roughness coefficient and the nominal diameter. Very high compatibility was obtained between the calculation results for those pressure losses obtained from the EPANET programme and those obtained from the multi-layered perceptron with one hidden layer.

PL

Metody numeryczne stosuje się powszechnie od wielu lat w projektowaniu i eksploatacji systemów zaopatrzenia w wodę. Specjalistyczne programy komputerowe oferują coraz więcej udogodnień, szczególnie w zakresie wprowadzania danych oraz przeglądania wyników, lecz nadal funkcjonują na podstawie z góry określonych algorytmów. Obecnie dąży się jednak do stworzenia programów obliczeniowych, które będzie charakteryzować pewien stopień kreatywności, co powinno ułatwić użytkownikom podejmowanie decyzji na różnych etapach realizacji zadania i poprawić jakość rozwiązań. Zwiększająca się moc obliczeniowa komputerów samoistnie nie rozwiąże złożonych problemów. Dopiero wprowadzanie odpowiednich metod obliczeniowych, pozwala uzyskać właściwe efekty. Wydaje się, że klasyczne algorytmy o sformalizowanym przebiegu, można obecnie uzupełnić znacznie bardziej zaawansowanymi technikami obliczeniowymi. W niniejszej pracy dokonano przeglądu literatury w zakresie zastosowania sztucznych sieci neuronowych w projektowaniu systemów dystrybucji wody. W drugiej części artykułu zamieszczono omówienie sztucznej sieci neuronowej do obliczeń strat ciśnienia w przewodach wodociągowych. W wyniku obliczeń hydraulicznych przewodów wodociągowych za pomocą programu EPANET dla różnych wartości parametrów wejściowych uzyskano zbiór 16260 przykładów uczących. Parametry wejściowe sieci neuronowej to długość przewodu, przepływ miarodajny, współczynnik chropowatości bezwzględnej oraz średnica nominalna. Uzyskano bardzo wysoką zgodność pomiędzy wynikami obliczeń strat ciśnienia z programu EPANET i perceptronu wielowarstwowego z jedną warstwą ukrytą.

Słowa kluczowe

EN

water distribution systems; artificial intelligence; expert systems; artificial neuronal networks; heuristic methods; calculation of pressure losses

PL

systemy dystrybucji wody; sztuczna inteligencja; systemy ekspertowe; sztuczne sieci neuronowe; metody heurystyczne; obliczenia strat ciśnienia

• Wydawca: Politechnika Koszalińska
• Czasopismo: Rocznik Ochrona Środowiska
• Rocznik: 2017
• Tom: Tom 19
• Strony: 200--210
• Opis fizyczny: Bibliogr. 16 poz., tab., rys.

Twórcy

autor

Czapczuk A.

• F.B.I. TASBUD a Joint-Stock Company

autor

Dawidowicz J.

• Bialystok University of Technology

autor

Piekarski J.

• Koszalin University of Technology

Bibliografia

• 1. Bargiela, A. (1995). High performance neural optimization for real time pressure control. Proceedings of High Performance Computing Conference HPC Asia’95, Chap. AL34, Taipei, 1-8.
• 2. Besarati, S. M., Myers, P. D., Covey, D. C., & Jamali, A. (2015). Modeling friction factor in pipeline flow using a GMDH-type neural network. Cogent Engineering, 2(1), 1-14.
• 3. Bishop, C. M. (1996). Neural Networks for Pattern Recognition. Oxford: University Press.
• 4. Brkić, D., & Ćojbašić, Ž. (2016). Intelligent flow friction estimation. Computational intelligence and neuroscience 2016, 1-10.
• 5. Dawidowicz, J. (2017). Evaluation of a pressure head and pressure zones in water distribution systems by artificial neural networks. Neural Computing & Application. doi:10.1007/s00521-017-2844-8
• 6. Dawidowicz, J. (2015). Diagnostyka procesu obliczeń systemu dystrybucji wody z zastosowaniem modelowania neuronowego. Rozprawy Naukowe. Białystok: Oficyna Wydawnicza Politechniki Białostockiej (in Polish).
• 7. Gabrys, B. & Bargiela, A. (1996). An integrated neural based system for state estimation and confidence limit analysis in water networks. Proceedings of ESS 96. 8th European Simulation Symposium Simulation in Industry, 2, 398-402.
• 8. Haytham, A., Kwamura, A., & Jinno, K. (2005). Applications of artificial neural networks for optimal pressure regulation in supervisory water distribution networks. Memoirs of the Faculty of Engineering, 65, 29-51, Kyushu University, Fukuoka, Japan.
• 9. Lingireddy, S., & Ormsbee, L.E. (1998). Neural Networks in Optimal Calibration of Water Distribution Systems. In Flood I., Kartam N. (Eds), Artificial Neural Networks for Civil Engineers: Advanced Features and Applications, ASCE, 53-76.
• 10. Lingireddy, S., & Ormsbee, L.E. (1995). Optimal control of water supply pumping systems using genetic algorithms and artificial neural networks. Proceedings of The International Federation for Automatic Control Symposium on Large Scale Systems '95, London, UK.
• 11. Negnevitsky, M. (2004). Artificial Intelligence: A Guide to Intelligent Systems. Addison-Wesley.
• 12. Saldarriaga, J., Gómez, R., & Salas, D. (2004). Artificial intelligence methods applicability on water distribution networks calibration. Critical Transitions in Water and Environmental Resources Management, 1-11. https://doi.org/10.1061/40737(2004)248
• 13. Salmasi, F., Khatibi, R., & Ghorbani, M. A. (2012). A study of friction factor formulation in pipes using artificial intelligence techniques and explicit equations. Turkish Journal of Engineering and Environmental Sciences, 36(2), 121-138.
• 14. Shayya, W.H., & Sablani, S.S. (1998) An artificial neural network for noniterative calculation of the friction factor in pipeline flow. Computers and Electronics in Agriculture, 21(3), 219-228.
• 15. Van den Boogaard, H.F., & Kruisbrink, A.C.H. (1996) Hybrid modeling by integrating neural networks and numerical models hydraulic engineering. Proceedings of the Second International Conference on Hydroinformatics, 2, 471-477.
• 16. Xu C., Bouchart F., & Goulter I.C. (1997) Neural networks for hydraulic analysis of water distribution systems. Proceedings of the Innovation in Computer Methods for Civil and Structural Engineering, Civl-Comp Press, 129-136, Cambridge.

Uwagi

PL

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).