|
|
تحقیقات آب و خاک ایران، جلد ۵۶، شماره ۵، صفحات ۱۳۳۹-۱۳۵۳
|
|
|
| عنوان فارسی |
توسعه روش یادگیری تقویتی معکوس به صورت تلفیق با مدل هیدرودینامیک ICSS در کانال دز |
|
| چکیده فارسی مقاله |
مدیریت بهینه منابع آب در شبکه‌های آبیاری به‌عنوان راهکاری کلیدی برای مقابله با چالش کم‌آبی است. در این پژوهش، یک روش ترکیبی نوین مبتنی بر یادگیری تقویتی معکوس (IRL) و مدلسازی هیدرودینامیک با ICSS برای بهینه‌سازی بهره‌برداری از کانال E1-R1 شبکه دز توسعه داده شد. در این روش، تابع پاداش به‌صورت خودکار از تجربیات بهره‌برداران خبره (شبیه‌سازی شده با ICSS) استخراج گردید. با تلفیق آن با مدل شبیه‌ساز هیدرودینامیک، سیاست‌های بهینه کنترل سازه‌های آب‌بند و آبگیر تعیین شد. داده‌های بهره‌برداری تحت سناریوهای متنوعی شامل دبی‌های ورودی تصادفی (1/1 تا 3/1مترمکعب بر ثانیه) و الگوهای مختلف آبگیری تحلیل شد. نتایج حاکی از کارایی بالای سیستم پیشنهادی بود، به‌طوری که میانگین راندمان تحویل آب 97/0، کفایت تأمین نیاز 95/0 و حداکثر خطای کنترل عمق 3/14 درصد شد. خطای تجمعی عمق آب نیز در تمامی سناریوها کمتر از 10 درصد باقی ماند که نشان‌دهنده پایداری سیستم در بلندمدت است. این یافته‌ها مؤید آن است که رویکرد IRL با یادگیری دانش ضمنی بهره‌برداران و تبدیل آن به سیاست‌ها، می‌تواند به‌صورت مؤثری تلفات آب را کاهش داده و عملکرد شبکه‌های آبیاری را ارتقا بخشد. |
|
| کلیدواژه‌های فارسی مقاله |
سازه‌های کنترل و تنظیم،روش هوشمند،مدل هیدرودینامیک،یادگیری، |
|
| عنوان انگلیسی |
Development of an Inverse Reinforcement Learning Method Integrated with the ICSS Hydrodynamic Model in the Dez canal |
|
| چکیده انگلیسی مقاله |
Optimal water resource management in irrigation networks has been recognized as a key strategy to address water scarcity challenges. This research developed a novel hybrid method based on inverse reinforcement learning (IRL) and hydrodynamic modeling with ICSS to optimize the operation of the E1-R1 canal in the Dez network. In this method, the reward function was automatically extracted from the experiences of expert operators (simulated using ICSS), and then, by combining it with the hydrodynamic simulation model, optimal control policies for water control structures and intakes were determined. Operational data under various scenarios, including random inflow rates (1.1 to 3.1 cubic meters per second) and different water withdrawal patterns, were analyzed. The results indicated high efficiency of the proposed system, with an average water delivery efficiency of 0.97, a supply adequacy of 0.95, and a maximum depth control error of 14.3%. The cumulative depth error also remained below 10% in all scenarios, indicating long-term system stability. These findings confirm that the IRL approach, by learning the implicit knowledge of operators and converting it into policies, can effectively reduce water losses and improve the performance of irrigation networks. |
|
| کلیدواژه‌های انگلیسی مقاله |
سازه‌های کنترل و تنظیم,روش هوشمند,مدل هیدرودینامیک,یادگیری |
|
| نویسندگان مقاله |
امیرحسین توانا |
گروه مهندسی آب، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران.
کاظم شاهوردی |
گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی سینا همدان، همدان، ایران.
حسام قدوسی |
گروه مهندسی آب، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران.
|
|
| نشانی اینترنتی |
https://ijswr.ut.ac.ir/article_103190_b7b65ada689221232f1e84d3058c4345.pdf |
| فایل مقاله |
فایلی برای مقاله ذخیره نشده است |
| کد مقاله (doi) |
|
| زبان مقاله منتشر شده |
fa |
| موضوعات مقاله منتشر شده |
|
| نوع مقاله منتشر شده |
|
|
|
|
برگشت به:
صفحه اول پایگاه |
نسخه مرتبط |
نشریه مرتبط |
فهرست نشریات
|