واسنجی چند شاخصه شبکه خطوط لوله آبرسانی تحت جریان غیرماندگار
محورهای موضوعی : مقالات برگرفته از پایان نامه
سعید سرکمریان
1
(دانشجوی دکتری، دانشکده مهندسی، گروه عمران، دانشگاه شهید چمران اهواز، اهواز، ایران.)
علی حقیقی
2
(دانشیار، دانشکده مهندسی، گروه عمران، دانشگاه شهید چمران اهواز، اهواز، ایران.)
آرش ادیب
3
(استاد، دانشکده مهندسی، گروه عمران، دانشگاه شهید چمران اهواز، اهواز، ایران.)
کلید واژه: بهینه سازی, واسنجی, تحلیل معکوس, جریان غیرماندگار, ضرایب اصلاحی,
چکیده مقاله :
جهت ارزیابی عملکرد یک شبکه آبرسانی لازم است تا هیدرولیک جریان‌های ماندگار و غیر ماندگار در آن با دقت بالا شبیه‌سازی شوند. به این منظور از مدل‌های ریاضی استفاده می‌شود. واسنجی پارامترهای با اثرگذاری دینامیکی همچون ضرایب افت شبه‌ماندگار، افت غیر ماندگار و سرعت موج در سیستم‌های پیچیده کار دشواری است و غالباً از روش‌های مبتنی بر تحلیل معکوس جریان به این منظور استفاده می‌شود. در این تحقیق مدل ریاضی تحلیل هیدرولیک جریان غیر ماندگار در خطوط لوله با حل عددی معادلات حاکم با استفاده از روش خطوط مشخصه توسعه داده می‌شود. در این مدل به هریک از ترم‌های افت ماندگار، شتاب لحظه‌ای و محلی در افت غیر ماندگار و سرعت موج یک ضریب اصلاحی اختصاص داده می‌شود. سپس یک مسئله بهینه‌سازی غیرخطی با هدف کمینه‌سازی اختلاف مربعات نوسانات فشار محاسباتی و اندازه‌گیری شده در نقاط شاهد توسعه داده می‌شود. متغیرهای تصمیم‌گیری در این مسئله ضرایب اصلاحی پارامترهای تحت واسنجی می‌باشند. در این مقاله مدل پیشنهادی در خصوص یک شبکه آزمایشگاهی در دانشگاه صنعتی لیسبون مورد ارزیابی قرار گرفت. با تعریف الگوریتم ژنتیک به عنوان کمینه‌ساز تابع هدف، پس از طی 30 نسل میزان خطا از 140متر به 92/15 متر کاهش یافت. نتایج به‌دست‌آمده، افزایش دقت مدل‌سازی به اندازه 33% را نشان داد.
To evaluate a pipe network performance, both steady and unsteady flow conditions are required to be accurately analyzed in the system. For this purpose, mathematical models are developed and utilized. Calibration of parameters with dynamic effects like the steady and unsteady friction loss factors as well as pipe wave speed is crucial to the simulation models. A common approach for calibration of pipe networks under unsteady flow is the Inverse Transient Analysis (ITA) method. This study introduces a model for hydraulic analysis of unsteady flow in pressurized pipes using the numerical Method of Characteristics (MOC). To each calibration parameter a correction factor is specified. Then, a nonlinear optimization problem is developed with the aim of minimizing the discrepancy between the calculated and measured transient pressure heads at the measurement sites. The decision variables are the correction factors multiplied by the pipe wave speeds, steady friction factors and unsteady friction loss components. In this Article, the proposed model applied to an experimental system set up in the Technical University of Lisbon. By defining the genetic algorithm to minimize the objective function, after 30 generations error rate was reduced from 140 m to 92.15 meters. The results, increasing the accuracy of modeling showed as much as 33%.
1) Bergant, A., Ross Simpson, A., & Vìtkovsk, J. 2001. Developments in unsteady pipe flow friction modelling. Journal of Hydraulic Research, 39(3), 249-257.
2) Brunone, B., Golia, U. M., & Greco, M. 1991. Modelling of fast transients by numerical methods. In Proc. Int. Conf. on Hydr. Transients With Water Column Separation (pp. 273-280).
3) Brunone, B., Golia, U. M., & Greco, M. 1995. Effects of two-dimensionality on pipe transients modeling. Journal of Hydraulic Engineering, 121(12), 906-912.
4) Chaudhry, M. H. 2014. Applied Hydraulic Transients (p. 503). Springer New York.
5) Covas, D., & Ramos, H. 2001. Hydraulic transients used for leakage detection in water distribution systems. In 4th International Conference on Water Pipeline Systems.
6) Covas, D., Ramos, H., Brunone, B., & Young, A. 2004. Leak detection in water trunk mains using transient pressure signals: Field tests in Scottish water. In International conference on pressure surges.
7) Daily, J. W., Hankey Jr, W. L., Olive, R. W., & Jordaan Jr, J. M. 1955. Resistance coefficients for accelerated and decelerated flows through smooth tubes and orifices. Massachusetts inst of tech Cambridge, (No. 55-SA-78).
8) Haghighi, A., & Ramos, H. M. 2012. Detection of leakage freshwater and friction factor calibration in drinking networks using central force optimization. Water resources management, 26(8), 2347-2363.
9) Huang, Y. C., Lin, C. C., & Yeh, H. D. 2015. An optimization approach to leak detection in pipe networks using simulated annealing. Water Resources Management, 29(11), 4185-4201.
10) Jung, B., & Karney, B. 2008. Systematic exploration of pipeline network calibration using transients. Journal of Hydraulic Research, 46(sup1), 129-137.
11) Kapelan, Z. S., Savic, D. A., & Walters, G. A. 2003. A hybrid inverse transient model for leakage detection and roughness calibration in pipe networks. Journal of Hydraulic Research, 41(5), 481-492.
12) Liggett, J. A., & Chen, L.-C. 1994. Inverse transient analysis in pipe networks. Journal of hydraulic engineering, 120(8), 934-955.
13) Shamloo, H., & Haghighi, A. 2010. Optimum leak detection and calibration of pipe networks by inverse transient analysis. Journal of Hydraulic Research, 48(3), 371-376.
14) Vardy, A., & Brown, J. 1996. On turbulent, unsteady, smooth-pipe friction. In BHR group conference series publication (Vol. 19, pp. 289-312).
92 مجله ی مهندسی منابع آب / سال دوازدهم / بهار 8931
15) Vítkovský, J. P., Simpson, A. R., & Lambert, M. F. 2000. Leak detection and calibration using transients and genetic algorithms. Journal of Water Resources Planning and Management, 126(4), 262-265.
16) Vítkovský, J. P., Lambert, M. F., Simpson, A. R., & Liggett, J. A. 2007. Experimental observation and analysis of inverse transients for pipeline leak detection. Journal of Water Resources Planning and Management, 133(6), 519-530.
17) Zielke, W. 1968. Frequency-dependent friction in transient pipe flow. Journal of Fluids Engineering, 90(1), 109-115.