
تعداد نشریات | 26 |
تعداد شمارهها | 404 |
تعداد مقالات | 3,540 |
تعداد مشاهده مقاله | 5,480,364 |
تعداد دریافت فایل اصل مقاله | 3,748,018 |
بررسی الگوریتم بهینهسازی چندهدفه به منظور طراحی فضاهای شهری با رویکرد کنترل کمی-کیفی رواناب سطحی | ||
مدل سازی و مدیریت آب و خاک | ||
مقاله 19، دوره 5، شماره 1، 1404، صفحه 301-316 اصل مقاله (1.07 M) | ||
نوع مقاله: پژوهشی | ||
شناسه دیجیتال (DOI): 10.22098/mmws.2024.14703.1426 | ||
نویسندگان | ||
صادق اورعی زارع* 1؛ فروغ علی زاده صنمی2 | ||
1دکتری مهندسی عمران آب و سازه های هیدرولیکی، شرکت مادر تخصصی مدیریت منابع آب، تهران، ایران | ||
2دکتری مهندسی عمران آب و سازه های هیدرولیکی، دانشگاه علم و صنعت ایران، تهران، ایران | ||
چکیده | ||
از جمله عواملی که میتواند در کیفیت و کمیت روانابهای شهری تاثیر قابل توجهی بگذارد، رشد و توسعة شهری و آگاهی از اثرات زیست محیطی آن بر جامعه میباشد. در سالهای اخیر مفهوم جدیدی به نام روشهای مدیریت مناسب سیلاب و با نام اختصاری BMPs در راستای کنترل کمی و کیفی سیلابهای شهری مطرح شده است. در این مقاله سعی شده است با در نظرگرفتن سه تابع هدف کیفیت رواناب و کمیت رواناب و هزینه (شامل خسارت سیلاب و هزینههای نگهداری از BMPs) ضمن مقایسه دو الگوی بهینه سازی NSGAII و MOPSO به ارائة سناریو مناسب برای طراحی شهری رویکرد کنترل کمی و کیفی رواناب پرداخته شود. بر این اساس و با توجه به اهمیت مدیریت رواناب در کلانشهری مانند تهران، در این تحقیق قسمتی از حوضه آبریز منطقه ۲۲ شهرداری تهران انتخاب و نسبت به ارزیابی اثرات BMPها بر روی کمیت رواناب با استفاده از مدل-های ریاضی بارش-رواناب اقدام شد. با مقایسه نتایج نسل آخر دو الگوریتم مشخص گردید که میانگین جوابهای بهینه NSGAII بهینهتر و انحراف معیار جوابها در نسل آخر نسبت به MOPSO بیشتر که این نشاندهندة کارایی بهتر NSGAII میباشد اما استفاده از الگوریتم بهینهسازی MOPSO بدلیل دخیل بودن پارامترهای کمتری نسبت به NSGAII از سهولت بیشتری برخوردار خواهد بود. حداقل نمودن توابع هدف در ساختار پیشنهادی به عنوان هدف اصلی استفاده از این ابزار مطرح بوده است در الگوریتم NSGA-II بیشتر از MOPSO است. لازم به ذکر است رسیدن به حالت پایدار در NSGAII در تعداد نسلهای کمتری نسبت به MOPSO صورت خواهد گرفت. همچنین نتایج حاصل از ارزیابی BMPها در قالب سناریوهای مختلف نشان داد که به کارگیری این راهکارها میتواند باعث کاهش دبی اوج از 3/16 به 1/50 درصد و نیز کاهش حجم رواناب از 2/9 تا 4/37 درصد بسته به نوع و تعداد BMP های به کار رفته در سطح حوضه شود. همچنین با بررسی سناریوهای منتخب نتیجه گردید که در بیش از 60 درصد از کاربریهای مرتبط با فضای سبز، مخازن ماند بیولوژیکی و در کاربریهای مسکونی و صنعتی کفپوشهای نفوذپذیر و مخازن جمعآوری آب باران پیشنهاد شده است. | ||
کلیدواژهها | ||
NSGAII؛ MOPSO؛ الگوریتم بهینهسازی چند هدفه؛ BMPs | ||
مراجع | ||
منابع حسینزاده کوهی، حسین، اردستانی، مجتبی و سارنگ، امین (1403). بهینهسازی طراحی کانالهای جمعآوری رواناب شهری برای کاهش آسیبپذیری و افزایش اطمینانپذیری در برابر تغییرات اقلیمی. مدلسازی و مدیریت آب و خاک، 4(1)، 85-101. doi:10.22098/mmws.2023.12222.1213 میرزانیا، احسان، ملک احمدی، حسین، شاهمحمدی، یادگار و ابراهیمزاده، علی (1400). تأثیر موجک بر افزایش دقت مدلهای تخمینی در مدلسازی بارش-رواناب (مطالعۀ موردی: حوضۀ صوفیچای). مدلسازی و مدیریت آب و خاک، (3)1، 79-67. doi:10.22098/MMWS.2021.9335.1035 مومنه، صادق (1401). مقایسۀ عملکرد مدلهای هوش مصنوعی با مدل IHACRES در مدلسازی جریان حوضۀ آبریز رودخانۀ گاماسیاب. مدلسازی و مدیریت آب و خاک، (3)2، 16-1.doi:10.22098/MMWS.2022.9972.1076
References Abi Aad, M. P., Suidan, M. T., & Shuster, W. D. (2010). Modeling techniques of best management practices: Rain barrels and rain gardens using EPA SWMM-5. Journal of Hydrologic Engineering, 15(6), 434-443. doi:10.1061/(ASCE)HE.1943-5584.0000136. Babaei, S., Ghazavi, R., & Erfanian, M. (2018). Urban flood simulation and prioritization of critical urban sub-catchments using SWMM model and PROMETHEE II approach. Physics and Chemistry of the Earth, Parts A/B/C, 105, 3-11. doi: 10.1016/j.pce.2018.02.002 Baptista, M., Nascimento, N., Castro, L. M. A., & Fernandes, W. (2007, January). Multicriteria evaluation for urban storm drainage. In Proceedings of the first switch Scientific Meeting University of Birmingham, Birmingham, UK (pp. 1-8). Chen, L., McPhee, J., & Yeh, W. W. G. (2007). A diversified multiobjective GA for optimizing reservoir rule curves. Advances in Water Resources, 30(5), 1082-1093. doi:10.1016/j.advwatres.2006.10.001. Deb, K., Agrawal, S., Pratap, A., & Meyarivan, T. (2000). A fast elitist non-dominated sorting genetic algorithm for multi-objective optimization: NSGA-II. In Parallel Problem Solving from Nature PPSN VI: 6th International Conference Paris, France, September 18–20, 2000 Proceedings 6 (pp. 849-858). Springer Berlin Heidelberg. Egodawatta, P., Thomas, E., & Goonetilleke, A. (2009). Understanding the physical processes of pollutant build-up and wash-off on roof surfaces. Science of the Total Environment, 407(6), 1834-1841. Heaney, J.P., Lee, J.G., Rapp, D.N. & C.A. Pack. (2006). Life cycle Optimisation for Highway BMPs. Water Science and Technology, 54(6-7), 477-484. Hosseinzadeh Kohi, H., Ardestani, M., Sarang, A. (2024). Optimizing the design of urban runoff collection channels to reduce vulnerability and increase reliability against climate change. Water and Soil Management and Modeling, (4)1, 101-85. doi:10.22098/mmws.2023.12222.1213 Kennedy, J., & Eberhart, R. (1995, November). Particle swarm optimization. In Proceedings of ICNN'95-International Conference on Neural Networks (Vol. 4, pp. 1942-1948). IEEE. Mejía, A. I., & Moglen, G. E. (2009). Spatial patterns of urban development from optimization of flood peaks and imperviousness-based measures. Journal of Hydrologic Engineering, 14(4), 416-424. doi:10.1061/(ASCE)1084-0699(2009)14:4(416). Mirzania, A., Malek Ahmadi, H., Shah Mohammadi, Y., & Ebrahimzadeh, A. (2021). The effect of wavelet on increasing the accuracy of estimated models in rainfall-runoff modeling (Case study: Sufichai basin). Water and Soil Management and Modeling, (3)1, 67-79. doi:10.22098/MMWS.2021.9335.1035 Momene, S. (2022). Comparison of the performance of artificial intelligence models with the IHACRES model in modeling the flow of the Gamasiab River catchment. Water and Soil Management and Modeling, (3)2, 1-16. doi:10.22098/MMWS.2022.9972.1076 Obropta, C. C., & Kardos, J. S. (2007). Review of urban stormwater quality models: deterministic, stochastic, and hybrid approaches 1. JAWRA Journal of the American Water Resources Association, 43(6), 1508-1523. Perez-Pedini, C., Limbrunner, J. F., & Vogel, R. M. (2005). Optimal location of infiltration-based best management practices for storm water management. Journal of Water Resources Planning and Management, 131(6), 441-448. doi: 10.1061/(ASCE)0733-9496(2005)131:6(441) Rathnam, E. V., Cheeralaiah, N., & Jayakumar, K. V. (2004, July). Dynamic programming model for optimization of storm-water retention pond in multiple catchment system. In Proceedings of the International Conference on Hydrology: Science & Practice for the 21st Century, Imperial College, London, England (pp. 12-16). Roozbahani, A., Behzadi, P. & Massah Bavani, A. 2020. Analysis of performance criteria and sustainability index in urban stormwater systems under the impacts of climate change. Journal of Cleaner Production, 271,122727. Wang, Y., Sun, M., & Song, B. (2017). Public perceptions of and willingness to pay for sponge city initiatives in China. Resources, Conservation and Recycling, 122, 11-20. doi: 10.1016/j.resconrec.2017.02.002 Woods-Ballard, B., Kellagher, R., Martin, P., Jefferies, C., Bray, R., & Shaffer, P. (2007). The SUDS Manual (Vol. 697). London: Ciria.
| ||
آمار تعداد مشاهده مقاله: 420 تعداد دریافت فایل اصل مقاله: 125 |