Comparison of Monte Carlo Algorithm, genetic algorithms and artificial neural networks for calibration of water supply networks using the epanet2toolkit

• Published in: Revista Ibero-Americana de Ciências Ambientais Vol. 13; no. 9; pp. 72 - 84
• Main Authors: Barbedo, Matheus David Guimarães, Silva, Fernando das Graças Braga da, Silva, Alex Takeo Yasumura Lima, Marques, Sara Maria, Valério, Victor Eduardo de Mello, Marcondes, Mateus Cortez
• Format: Journal Article
• Language: English
• Published: 08.01.2023
• ISSN: 2179-6858; 2179-6858
• DOI: 10.6008/CBPC2179-6858.2022.009.0006

A comparison of three water network calibration algorithms was performed using the R epanet2toolkit library. This coupling makes it possible to explore EPANET's hydraulic simulation and evaluation potentials and data analysis in R, with the main result of the work being the comparison of three calibration methods. In the calibration process by the Monte Carlo Algorithm, 100,000 roughness values ​​were randomly generated for each pipe section within the range of 0.008 to 0.09 and new pressure values ​​were generated with these roughnesses, while the calibration by the Genetic Algorithms method was used the rpy2 package that allows the use of R in Python, having 10,000 generations per simulation with 5% chance of mutation and 50% chance of crossover, admitting a deviation of ± 2 m.c.a for each pressure and the reduction of the average error. Finally, the Neural Network calibration also used the rpy2 package, with the network demand defined as the input layer and the output layer as the roughness of the pipes and for the hidden layer the input layer plus four neurons was defined. The results showed that in the smallest network the best performance was obtained by the Genetic Algorithms, followed by Monte Carlo, while the Neural Network had the worst result, and in the most complex network the Neural Network results obtained the best result, followed by the Genetic Algorithms and Monte Carlo. Thus, the potential of using Neural Networks for the calibration of more complex networks is observed, as well as its use combined with optimization techniques for the operation of water distribution networks, taking care to avoid situations of overfitting or underfitting. Uma comparação de três algoritmos de calibração de rede de água foi realizada usando a biblioteca R epanet2toolkit. Este acoplamento permite explorar os potenciais de simulação e avaliação hidráulica do EPANET e análise de dados em R, tendo como principal resultado do trabalho a comparação de três métodos de calibração. No processo de calibração pelo Algoritmo de Monte Carlo, foram gerados aleatoriamente 100.000 valores de rugosidade para cada seção de tubo na faixa de 0,008 a 0,09 e novos valores de pressão foram gerados com essas rugosidades, enquanto a calibração pelo método de Algoritmos Genéticos foi utilizado o pacote rpy2 que permite o uso de R em Python, tendo 10.000 gerações por simulação com 5% de chance de mutação e 50% de chance de crossover, admitindo um desvio de ± 2 m.c.a para cada pressão e a redução do erro médio. Por fim, a calibração da Rede Neural também utilizou o pacote rpy2, com a demanda da rede definida como a camada de entrada e a camada de saída como a rugosidade dos tubos e para a camada oculta foi definida a camada de entrada mais quatro neurônios. Os resultados mostraram que na rede menor o melhor desempenho foi obtido pelos Algoritmos Genéticos, seguido de Monte Carlo, enquanto a Rede Neural teve o pior resultado, e na rede mais complexa os resultados da Rede Neural obtiveram o melhor resultado, seguido da Rede Neural. Algoritmos Genéticos e Monte Carlo. Assim, observa-se o potencial de utilização de Redes Neurais para calibração de redes mais complexas, bem como sua utilização aliada a técnicas de otimização para operação de redes de distribuição de água, tomando-se o cuidado de evitar situações de overfitting ou underfitting.