توسعه مدل ریاضی الگوریتم یادگیری تقویتی برای خودکارسازی آب‏بندهای کشویی در کانال‌ها

آب و خاک

مقاله 4، دوره 29، شماره 4، آبان 1394، صفحه 828-837  

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v0i0.24930

نویسندگان

کاظم شاهوردی ؛ محمدجواد منعم

دانشگاه تربیت مدرس

چکیده

امروزه با توجه به کمبود آب و ضعف مدیریت در بخش آب کشاورزی و به منظور استفاده بهینه از آب، بهبود عملکرد شبکه های آبیاری ضروری است. در سالهای اخیر، بکارگیری سامانه‏های کنترل خودکار پیشرفته به منظور بهبود عملکرد شبکه های آبیاری مورد توجه محققان قرارگرفته است. برای استفاده از این سامانه‏ها، تهیه مدل ریاضی سیستم های کنترل خودکار و سازه های مربوط بصورت تلفیقی با مدل‏های هیدرودینامیکی ضروری است. هدف اصلی این تحقیق، توسعه مدل ریاضی سیستم کنترل خودکار بالادست دریچه کشویی با استفاده از الگوریتم یادگیری تقویتی بصورت یک زیربرنامه در مدل هیدرودینامیکی ICSS است. دو سناریوی افزایشی و کاهشی برای جریان ورودی با دبی اولیه 25 لیتر در ثانیه در نظر گرفته شد و شبیه سازی انجام گرفت. شاخصهای حداکثر خطای مطلق، میانگین متوسط خطاها و زمان پاسخگویی سیستم برای ارزیابی عملکرد سیستم کنترل توسعه داده شد. مقادیر این شاخصها برای سناریوی کاهش جریان برابر صفر بدست آمد. نتایج حاصل نشان می دهد مدل توسعه یافته عملکرد مناسبی داشته و سطح آب را بخوبی کنترل می کند. از این رو توسعه آن برای کانالهای آبیاری پیشنهاد می شود.

کلیدواژه‌ها

تلفیق مدل؛ بهبود عملکرد؛ یادگیری

مراجع

Alpaydin E. 2004. Introduction to Machine Learning. The MIT Press.

2- Bennett S. 1993. A History of Control Engineering. Peter Peregrinus Ltd.

3- Burt C.M. 1983. Regulation of Sloping Canals by Automatic Downstream Control. Dept. of Agricultural and Irrigation Engineering, Utah State University.

4- Butz M., and Wilson S. 2001a. An algorithmic description of XCS. Advances in Learning Classifier Systems, 267-274.

5- Butz M.V., Kovacs T., Lanzi P.L., and Wilson S.W. 2001b. How XCS evolves accurate classifiers. Proceedings of the Third Genetic and Evolutionary Computation Conference (GECCO).

6- Buyalski C.P., Ehler D., Falvey, H.T., Rogers D.C., and Serfozo E.A. 1991. Canal Systems Automation Manual: Volume 1. US Department of Interior.

7- Clemmens A. and Replogle J. 1989. Control of irrigation canal networks. Journal of irrigation and drainage engineering, 115(1): 96-110.

8-Clemmens A.J., Kacerek T. F., Grawitz B., and Schuurmans W. 1998. Test cases for canal control algorithms. Journal of irrigation and drainage engineering, 124(1): 23-30.

9- Hernandez J. and Merkley G. 2011. Canal structure automation rules using an accuracy-based learning classifier system, a genetic algorithm, and a hydraulic simulation model. I: result. Journal of irrigation and drainage engineering, 137(1), 12–16.

10- Malaterre P.O., Rogers D. C., and Schuurmans J. 1998. Classification of canal control algorithms. Journal of irrigation and drainage engineering, 124(1): 3-10.

11- Monem M.J., and Manz D. H. 1994. Application of simulation techniques for improving the performance of irrigation conveyance systems. Journal of Water Resources Engineering, 2: 1-22.

12-Rogers D.C., and Goussard J. 1998. Canal control algorithms currently in use. Journal of irrigation and drainage engineering, 124(1): 11-15.

13- Sawadogo S., Faye R., Benhammou A., and Akouz K. 2000. Decentralized adaptive predictive control of multireach irrigation canal. Institute of Electrical and Electronics Engineers: 5: 3438-3442.

14-Sutton R.S., and Barto A. G. 1998. Reinforcement Learning: An Introduction. Cambridge University Press.

15- Wagemaker R. 2005. Model predictive control on irrigation canals application of various internal models. Delft University of Technology, Netherland.

16- Zhang Q., Wu C.H., and Tilt K. 1996. Application of fuzzy logic in an irrigation control system. Industrial Technology, Proceedings of Institute of Electrical and Electronics Engineers International Conference on, Institute of Electrical and Electronics Engineers, New York.