23637

CIV2 205

كارشناسي ارشد

مهندسي عمران- مهندسي و مديريت منابع آب

مهندسي عمران و حمل و نقل

1402/11/10

93 ص.

رامتين معيني

مديريت رواناب شهري , مديريت رواناب شهري , مدل شبيه‌ساز SWMM , الگوريتم بهينه‌ساز كلوني زنبور عسل مصنوعي (ABC) , سپاهان‌شهر اصفهان

امروزه اهميت تامين و دسترسي به منابع آب، به عنوان اساسي¬ترين نياز جوامع بشري، بر همگان آشكار است. در دهه‌هاي اخير به دليل توسعه شهرها و گسترش مناطق مسكوني و صنعتي، ميزان مناطق نفوذناپذير افزايش پيدا كرده‌است. اين موضوع باعث افزايش ميزان رواناب شهري شده‌است. بنابراين كنترل و مديريت رواناب شهري با استفاده از راهكارهاي نوين، همچون روش توسعه كم‌اثر (LID)، ضروري به نظر مي‌رسد. در اين پژوهش، با رويكرد شبيه‌سازي-بهينه‌سازي، روشي براي انتخاب و تعيين مساحت بهينه انواع ابزارهاي توسعه كم‌اثر با هدف حداقل سازي هزينه، پيشنهاد شده‌است. عملكرد روش پيشنهادي بر روي مطالعه موردي شبكه جمع‌آوري آب هاي سطحي منطقه سپاهان‌شهر اصفهان تشريح شده‌است. در اين راستا، ابتدا حوضه مطالعاتي در مدل شبيه‌ساز SWMM شبيه‌سازي و حجم رواناب توليدي حوضه طي يك رويداد بارش با دوره بازگشت 50 ساله تعيين شده‌است. در اين پژوهش، از سه روش توسعه كم‌اثر شامل، سلول زيست‌ماند، روسازي نفوذپذير و جوي‌باغچه، براي كاهش حجم رواناب خروجي حوضه مورد مطالعه استفاده شده‌است. نتايج شبيه‌سازي نشان مي‌دهد كه از ميان ابزارهاي بررسي شده، سلول زيست‌ماند بهترين عملكرد را در كاهش حجم رواناب حوضه دارد. در ادامه، از دو روش هوش مصنوعي برنامه‌ريزي ژنتيك (GP) و شبكه عصبي مصنوعي (ANN) به منظور شبيه‌سازي رواناب حوضه استفاده شده‌است. بدين منظور، مساحت‌ ابزارهاي توسعه كم‌اثر به عنوان ورودي و خروجي‌هاي نرم‌افزار SWMM به عنوان خروجي مدل‌هاي هوش مصنوعي تعريف شدند. مقايسه نتايج نشان مي‌دهد كه مدل شبكه عصبي مصنوعي، عملكرد بهتري در تعيين حجم رواناب خروجي حوضه دارد. در نهايت، مدل‌هاي هوش مصنوعي به عنوان مدل شبيه‌ساز با الگوريتم بهينه‌سازي كلوني زنبور عسل مصنوعي (ABC) تركيب شده‌است. در مسئله بهينه‌سازي، مساحت ابزارهاي توسعه كم اثر در زيرحوضه‌ها به عنوان متغير تصميم و حداقل‌سازي هزينه اجرا و بهره‌برداري به عنوان تابع هدف تعريف شده‌است. نتايج نشان مي‌دهد كه در بهترين حالت براي زيرحوضه 1، مساحت بهينه براي ابزارهاي سلول زيست‌ماند، جوي باغچه و روسازي نفوذناپذير به ترتيب برابر با 3، 6 و 6 درصد از مساحت زيرحوضه مي‌باشد. همچنين، براي زيرحوضه 2، مساحت بهينه براي ابزارهاي سلول زيست‌ماند، جوي باغچه و روسازي نفوذناپذير به ترتيب برابر با 2، 6 و 4 درصد از مساحت زيرحوضه مي‌باشد. در نهايت، براي زيرحوضه 3، مساحت بهينه براي ابزارهاي سلول زيست‌ماند، جوي باغچه و روسازي نفوذناپذير به ترتيب برابر با 2، 5 و 4 درصد از مساحت زيرحوضه مي‌باشد. علاوه‌براين، مجموع هزينه‌هاي اجرا و بهره‌برداري روش‌هاي توسعه كم‌اثر در حوضه مورد مطالعه با تركيب بهينه به‌دست‌آمده، 204707 دلار مي‌باشد. به طور كلي، بررسي نتايج نشان‌ مي‌دهد كه مدل تركيبي هوش مصنوعي و الگوريتم بهينه‌ساز عملكردي مطلوب در برآورد ابعاد بهينه ابزارهاي توسعه كم اثر دارد.

1403/04/09

همدم نوروزي

Urban runoff management , Low Impact Development (LID) approach , SWMM simulator model , Artificial Bee Colony (ABC) optimization algorithm , Sepahanshahr

Investigating the efficiency, development and optimization of Low-Impact Development methods in urban runoff management

مهندسي عمران

Nowadays, the importance of providing and accessing water resources, as the most basic need of human societies, is obvious. In recent decades, the amount of impervious areas has increased due to the development of cities and the expansion of residential and industrial areas. This has caused an increase in urban runoff. Therefore, it seems necessary to control and manage urban runoff using new solutions, such as the Low Impact Development (LID) method. In this research, a method is proposed for selecting and determining the optimal area of various low-impact development tools with the simulation-optimization approach. The performance of the proposed method is described on the case study of the surface water collection network in Sepahanshahr region of Isfahan. For this purpose, first, the selected basin has been simulated in the SWMM simulator model, and then the volume of runoff from the basin during a rainfall event with a return period of 50 years has been determined. In this research, three low-impact development methods, including Bio-Retention cell, Permeable Pavement, and Pegetative Swale, have been used to reduce the volume of runoff in the studied basin. The simulation results show that among the selected tools, the Bio-Retention cell has the best performance in reducing the basinʹs runoff volume. In the following, two artificial intelligence methods, Genetic Programming (GP) and Artificial Neural Network (ANN) have been used to simulate the basinʹs runoff. In this study, the dimensions of low-impact development tools were determined as the input for artificial intelligence models, and the outputs of SWMM software were defined as the output. The comparison of the results shows that the artificial neural network model has a better performance in determining the volume of the basinʹs outflow. Finally, artificial intelligence models as simulator models are combined with Artificial Bee Colony (ABC) optimization algorithm. In the optimization problem, the area of low-impact development tools in the sub-basins is determined as the decision variable, and the minimization of the implementation and operation cost is defined as the objective function. The results showed that in the best case, the optimal area for the Bio-Retention cell method in sub-basins 1, 2 and 3 is 3, 2 and 2 percent of the sub-basin area, respectively, For Vegetative Swale method, in sub-basins 1, 2 and 3, it is 6, 6, and 5 percent of the sub-basin area, respectively, and for the Permeable Pavement method, in sub-basins 1, 2, and 3, it is 6, 4, and 4 percent of the sub-basin area, respectively. In this case, the cost of implementing and operating low-impact development methods in the study area is 204,707 in Dollars. The results of this study showed that the proposed method has acceptable performance.

6

33201