Leak Modeling in Water Supply Networks Using WaterGEMS Model and Artificial Neural Network

فصلنامه آب و توسعه پایدار

Article 10, Volume 8, Issue 2 - Serial Number 20, September 2021, Pages 81-90   

Document Type: Original Article/Regular article

DOI: 10.22067/jwsd.v8i2.1010

Authors

Parvaneh Miserjani¹; Nasrin sayari^{* 2}; Sareh Sayari³

¹Water Engineering Group, School of Agriculture, Shahid Bahonar University of Kerman. Kerman, Iran.

²Assistant Professor Department of Water Engineering, School of Agriculture, Shahid Bahonar University of Kerman.

³Guest Master Department of Water Engineering, School of Agriculture, Shahid Bahonar University of Kerman

Abstract

Loss of more than 30% of the incoming water to the country's drinking water distribution networks due to leakage from the network, has caused serious concern to the officials of the country's water and sewage companies and finding the location of leakage in distribution networks is one of the important issues and concerns of users and related organizations. Reducing the amount of leakage in water supply networks is one of the main methods of managing the water distribution network in different countries. Currently, several methods have been proposed to detect leaks in water supply networks. In this paper, hydraulic modeling of a real network flow by WaterGEMS hydraulic software and inverse solution of flow equations, having measured values of pressure in a number of network nodes, location prediction and leakage rate in the network Water distribution works were carried out in Mohiabad city located in Kerman province. First, the hydraulic model of the studied network was prepared and calibrated in the hydraulic analysis software and the amount of existing leaks was collected, and then by analyzing the network for different states and number of hypothetical leaks, the pressure values in different network nodes were calculated. In the second stage, using artificial neural networks, after network training, by presenting the measured pressures in some network nodes as input data to the neural network, the position and amount of possible leaks were predicted. Investigation and comparison of the results of hydraulic analysis of the network and artificial neural network showed a very high accuracy of artificial neural networks in estimating the amount and position of leaks.

Keywords

Leak Modeling; Water Loss; Pressure Difference; WaterGEMS Model; Artificial Neural Network

References

آزادفر، م.، بارانی، غ. و حسامی کرمانی، م. 1398. بهینه‏‌سازی نشت در شبکه توزیع آب شهری به وسیله مدیریت فشار با استفاده از الگوریتم ژنتیک چند هدفه. دومین کنفرانس بین‏‌المللی مهندسی عمران، سازه و زلزله، تهران، ایران.
اسدیانی یکتا، ا.ح. 1383. تهیه بسته نرم‌‏افزاری محاسبه آب به حساب نیامده با استفاده از مدل تحلیل هیدرولیکی و GIS. پایان‌نامه کارشناسی‌ارشد. دانشکده فنی دانشگاه تهران، تهران، ایران.
ایدی، ض. و قاضی زاده، م. 1388. تهیه مدل تعیین نشت لحظه‌‏ای در لوله‏‌های شبکه توزیع آب با تلفیق مدل هیدرولیکی (WaterGEMS) و سیستم اطلاعات جغرافیایی (GIS). هشتمین کنگره بین‌‏المللی مهندسی عمران، شیراز، ایران.
بی‏نام. 1389. نشریه "راهنمای شناخت و بررسی عوامل مؤثر در آب به حساب نیامده و راه‏کارهای کاهش آن". شماره 308-الف.
تائبی، ا. 1378. ارتباط بین فشار و میزان نشت در شبکه توزیع آب. دومین کنفرانس هیدرولیک ایران. دانشگاه علم و صنعت ایران، تهران، ایران.
سلطانی‏اصل، ف. 1388. مدیریت هوشمند فشار به منظور کاهش نشت در شبکه‏‌های آبرسانی، مطالعه موردی: منطقه سرافرازان مشهد. مجله آب و فاضلاب، 3(20): 99-104.
شیرزاد، ا.، حیدرزاده، م. و محمدی، م. 1399. تهیه مدل هیدرولیکی و ارزیابی قابلیت اطمینان شبکه‏‌های توزیع آب (مطالعه موردی: شهر اشنویه). نشریه علمی علوم و مهندسی آب و فاضلاب، 5(2): 39-47.
طالبی، ا.ح. 1395. شناسایی عوامل و کاهش آب به حساب نیامده در شبکه‏‌های آبرسانی شهری، مطالعه موردی شهرهای کمتر از 10000 انشعاب استان آذربایجان شرقی. کنگره علوم و مهندسی آب و فاضلاب ایران. تهران. 
عطاری، م. و مغربی، م. 1397. روش نوین نشت‌‏یابی با استفاده از شبکه‏‌های عصبی مصنوعی. مجله آب و فاضلاب، 29(1): 14-26.
فاضل ولی‏پور، ب. فغفور مغربی، م. 1388. نشت‏‌یابی شبکه‌‏های آبرسانی شهری با اندازه‏‌گیری میدانی فشارهای گره‏ای (مطالعه موردی شهرک گلبهار)، هشتمین کنفرانس هیدرولیک ایران. دانشگاه تهران، تهران، ایران.
کلیایی، پ. و محمد ولی سامانی، ح. 1390. پیش‌بینی محل نشت در شبکه‌‏های توزیع آب با استفاده از شبکه‏‌های عصبی مصنوعی. نهمین کنگره بین‌‏المللی مهندسی عمران، دانشگاه صنعتی اصفهان، اصفهان.
مغربی، م. و عطاری، م. 1392. روش نوین نشت‌یابی در شبکه آبرسانی با استفاده از حداقل فشارسنجی در حالت وجود دو نشت همزمان. هفتمین کنگره ملی مهندسی عمران، دانشگاه سیستان و بلوچستان، زاهدان.
مغربی، م.، منوریان، ع. و ترابی، ف. 1393. استفاده از اصل جمع آثار قوا در یافتن موقعیت نشت در شبکه‏‌های آبرسانی. هشتمین کنگره ملی مهندسی عمران. دانشکده مهندسی عمران. زابل، ایران.

AhmadFouad Z., Eddy H. S., Badronnisa Y. and Syazwani I. 2019. Water leak detection method in water distribution network. IOP Conference Series: Earth and Environmental Science.
Jafari Asl J., SamiKashkooli B. and Bahrami M. 2018. Optimal Pressure Control for Leakage Minimization in Water Distribution Networks. Journal of Water and Sustainable Development, 4(2): 49-56.
Jing K., and Zhi-Hong Z. 2012. Time Prediction Model for Pipeline Leakage Based on Grey Relational Analysis. J. Physics Procedia. 25: 2019-2024.
Nash J.E., and Sutcliffe J.V. 1970. River flow forecasting through conceptual models: PART 1. A discussion of principles. Journal Hydrol,10: 282-290.
Nicolini M., Giacomello C. and Deb K. 2010. Calibration and optimal leakage management for a real water distribution network. Journal of Water Resources Planning and Management, 137(1): 134-142.
Ormsbee L.E. 1989. Implicit network calibration”, Journal of Water Resources Planning and Management, ASCE, 115(2): 243-257.
Roy U. 2017. Leak Detection in Pipe Networks Using Hybrid ANN Method. Water Conserv Science Enginear, 2: 145-152.
Santhi C., J.G. Arnold J.R. Williams W.A. Dugas R. Srinivasan and Hauck L. 2001. Validation of the SWAT model on a large river basin with point and nonpoint sources. J. Am. Water Resour. Assoc., 37: 1169-1188.
Soltani Asl M. S. and Maghrebi M. F. 2008. Intelligent pressure management to reduce leakage in urban water supply networks, a case study of Sarafrazan District, Mashhad, Journal of Water and Wastewater, 20(3): 99-104.
Tabesh M., JamasbM. and Moeini R. 2011. Calibration of water distribution hydraulic model: A comparison between pressure dependent and demand driven analyses, Journal of Urban Water, 8: 93-102.
Zhang W.J. 2002. An artificial neural network approach to mechanism kinematic chain isomorphism identification. Mechanism and Machine Theory, 37: 549–551.