سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات161
تعداد شماره‌ها6,532
تعداد مقالات70,504
تعداد مشاهده مقاله124,123,175
تعداد دریافت فایل اصل مقاله97,231,221
نوروزی راد, زهرا, شاهوردی, کاظم, قدوسی, حسام. (1402). تلفیق سیستم‌های کنترل بالادست و پایین‌دست خودکار با مدل‌های غیرخطی کانال: پیاده‌سازی، اجرا و مقایسه. , 13(3), 769-781. doi: 10.22059/jwim.2023.358462.1070
زهرا نوروزی راد; کاظم شاهوردی; حسام قدوسی. "تلفیق سیستم‌های کنترل بالادست و پایین‌دست خودکار با مدل‌های غیرخطی کانال: پیاده‌سازی، اجرا و مقایسه". , 13, 3, 1402, 769-781. doi: 10.22059/jwim.2023.358462.1070
نوروزی راد, زهرا, شاهوردی, کاظم, قدوسی, حسام. (1402). 'تلفیق سیستم‌های کنترل بالادست و پایین‌دست خودکار با مدل‌های غیرخطی کانال: پیاده‌سازی، اجرا و مقایسه', , 13(3), pp. 769-781. doi: 10.22059/jwim.2023.358462.1070
نوروزی راد, زهرا, شاهوردی, کاظم, قدوسی, حسام. تلفیق سیستم‌های کنترل بالادست و پایین‌دست خودکار با مدل‌های غیرخطی کانال: پیاده‌سازی، اجرا و مقایسه. , 1402; 13(3): 769-781. doi: 10.22059/jwim.2023.358462.1070

تلفیق سیستم‌های کنترل بالادست و پایین‌دست خودکار با مدل‌های غیرخطی کانال: پیاده‌سازی، اجرا و مقایسه

مدیریت آب و آبیاری
دوره 13، شماره 3، مهر 1402، صفحه 769-781    اصل مقاله (1.17 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/jwim.2023.358462.1070
نویسندگان
زهرا نوروزی راد1؛ کاظم شاهوردی* 2؛ حسام قدوسی1
1گروه مهندسی آب، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران.
2گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران.
چکیده
در پژوهش‌های مختلف در کانال‌های آبیاری از مدلICSS ، استفاده فراوانی شده است. با توجه به قابلیت‌های جدید نسخه‌های اخیر مدل HEC-RAS و استراتژی‌های پیشرفته‌ای که در آن وجود دارد، این مدل نیز موردتوجه قرار گرفته است. هدف از این پژوهش، تلفیق سیستم کنترل بالادست و پایین‌دست کنترلر کلاسیک با مدل‌های غیرخطی شبیه‌سازی کانال‌ها (HEC-RAS و ICSS)، نحوه پیاده‌سازی و مقایسه نتایج آن‌هاست. استفاده از راهبرد پیشرفته rules در HEC-RAS و مقایسه آن با دیگر مدل غیرخطی، نوآوری این پژوهش می‌باشد. برای هر سازه تنظیم‌کننده یک کنترلر و برای هر آبگیر یک برنامه بهره‌برداری در شرایط مرزی پیشرفته در کانال دز شرقی توسعه یافت. نتایج نشان داد که مدل HEC-RAS عملکرد مناسبی داشته و در حالت کنترل بالادست مقدار خطای کم‌تری را نسبت به کنترل پایین‌دست نشان می‌دهد، به‌طوری‌که حداکثر MAE و IAE به‌ترتیب برابر با 5/3 درصد و 1/8 درصد به‌دست آمد و جریان آب در عمده مواقع به حالت پایدار بوده و هیچ‌گونه نوسانانی در عمق آب مشاهده نمی‌شود. در مدل ICSS، نتایج تقریباً مشابهی مشاهده شد، به‌طوری‌که کنترل بالادست نسبت به کنترل پایین‌دست عملکرد بهتری دارد، اما تغییرات عمق و ناپایداری بیش‌تری وجود دارد و حداکثر MAE و IAE به‌ترتیب برابر با 9/9 درصد و 0/3 درصد به‌دست آمد. از نظر شاخص‌های تحویل دبی، HEC-RAS نتایج بهتری نسبت به ICSS ارائه کرده است.
کلیدواژه‌ها
تلفیق؛ کانال؛ کنترلر؛ مدل غیرخطی؛ ICSS؛ HEC-RAS
مراجع
  1. Clemmens, A. J., Kacerek, T. F., Grawitz, B., & Schuurmans, W. (1998). Test cases for canal control algorithms. Journal of Irrigation and Drainage Engineering, 124(1), 23-30.
  2. Deshays, R., Segovia, P., & Duviella, E. (2021). Design of a MATLAB HEC-RAS Interface to Test Advanced Control Strategies on Water Systems. Water, 13(6), 763.
  3. Fan, Y., Chen, H., Gao, Z., Fan, Y., Chang, X., Yang, M., & Fang, B. (2023). Water distribution and scheduling model of an irrigation canal system. Computers and Electronics in Agriculture, 209, 107866.
  4. Fatemeh, O., Hesam, G., & Shahverdi, K. (2020). Comparing Fuzzy SARSA Learning (FSL) and Ant Colony Optimization (ACO) Algorithms in Water Delivery Scheduling under Water Shortage Conditions. Irrigation and Drainage Engineering. 146(9), 1-10.
  5. Mollazeynali, H., & Shahverdi, K. (2022). Application and Evaluation of Elevation Controlled Gates Boundary Condition in HEC-RAS in Water Conveyance and Distribution Systems. Water and Irrigation Management. 12(4), 847-858. (In persian)
  6. Naghaei, R., Monem, M. J., & Hashemy Shahedany, S. M. (2016). Evaluating Various Hydraulic and Operation Conditions of Lopac Gate and Developing its Mathematical Model in Accordance with the ICSS Hydrodynamic Model. Iranian Journal of Irrigation & Drainage, 10(1), 24-35. (In Persian(
  7. Ren, T., Niu, J., Cui, J., Ouyang, Z., & Liu, X. (2021). An application of multi-objective reinforcement learning for efficient model-free control of canals deployed with IoT networks. Journal of Network and Computer Applications, 182, 1030.
  8. Shahverdi, K. (2015). Development of on-request Operation System for Irrigation Networks Using Reinforcement Learning Algorithm (Case Study: East Aghili Calnal). Ph.D., Tarbiat Modares University, Tehran.
  9. Shahverdi, K., & Monem, M. J. (2012). Construction and evaluation of the bival automatic control system for irrigation canals in a laboratory flume. Irrigation and drainage, 61(2), 201-207.
  10. Shahverdi, K., & Monem, M. J. (2015). Application of reinforcement learning algorithm for automation of canal structures. Irrigation and drainage, 64(1), 77-84.
  11. Shahverdi, K., Monem, M. J., & Nili, M. (2016). Fuzzy SARSA learning of operational instructions to schedule water distribution and delivery. Irrigation and Drainage, 65(3), 276-284.
  12. Shahverdi, K., & Talebmorad, H. (2023). Automating HEC-RAS and Linking with Particle Swarm Optimizer to Calibrate Manning’s Roughness Coefficient. Water Resources Management, 1-19.
آمار
تعداد مشاهده مقاله: 185
تعداد دریافت فایل اصل مقاله: 182


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب