Optimal operational instructions for on‐request delivery using hybrid genetic algorithm and artificial neural network, considering unsteady flow

• Published in: Irrigation and drainage Vol. 71; no. 3; pp. 735 - 748
• Main Authors: Savari, Hajar, Monem, Mohammad Javad
• Format: Journal Article
• Language: English
• Published: Chichester Wiley Subscription Services, Inc 01.07.2022
• Subjects: Algorithms; Artificial neural networks; Canals; canaux d'irrigation; Distribution; Expressed sequence tags; fonctionnement optimal; Genetic algorithms; Irrigation; Irrigation canals; livraison sur demande; meta‐model; méta‐modèle; Neural networks; on‐request delivery; optimal operation; Optimization; transient flow; Unsteady flow; Water delivery; Water distribution; Water engineering; écoulement instable
• ISSN: 1531-0353; 1531-0361
• DOI: 10.1002/ird.2670

Flexible on‐request (arranged) water delivery is applicable in existing canals that operate manually. A challenge facing this method is the diversity and multiplicity of requests across the network, making planning for water distribution very difficult and time‐consuming. Therefore, we need a suitable tool to derive the proper operation of structures quickly to improve network performance compared to rotational delivery. This study uses intelligent optimization methods to prepare on‐request operational instructions of irrigation canals under unsteady flow conditions. A meta‐model was developed using artificial neural networks (ANNs) for the first reach of the Aghili canal for simulating unsteady flow in canals to speed up the process. The meta‐model was combined with a genetic algorithm (GA) to determine optimal operational instructions. The error rate of the ANN model was smaller than 2.5%, indicating excellent performance of the developed model. Two scenarios of 3‐ and 6‐h delivery were defined to compare the optimal operation of the ANN‐GA model with conventional operation. For both scenarios, the percentage of improvement was remarkable, and on average, it was above 50%. The utility of the developed model for shorter deliveries is significant. Moreover, the model can be generalized to other reaches. Résumé Une distribution d'eau flexible sur demande (organisée) est applicable dans les canaux existants qui fonctionnent manuellement. Un des défis de cette méthode est la diversité et la multiplicité des demandes à travers le réseau, ce qui rend la planification de la distribution d'eau très difficile et très longue. Par conséquent, nous avons besoin d'un outil approprié pour dériver rapidement le bon fonctionnement des structures afin d'améliorer les performances du réseau par rapport à la mise en rotation. Cette étude utilise des méthodes intelligentes d'optimisation pour préparer sur demande des instructions opérationnelles sur les canaux d'irrigation en régime d'écoulement instable. Un méta‐modèle a été développé en utilisant des réseaux de neurones artificiels (ANNs) pour la première portée du canal d'Aghili pour simuler le flux instable dans les canaux pour accélérer le processus. Le méta‐modèle a été combiné avec l'algorithme génétique (GA) pour déterminer des instructions opérationnelles optimales. Le taux d'erreur du modèle ANN était inférieur à 2.5%, ce qui indique l'excellente performance du modèle développé. Deux scénarios de livraison de 3 et 6 heures ont été définis pour comparer le fonctionnement optimal du modèle ANN‐GA avec le fonctionnement classique. Pour les deux scénarios, le pourcentage d'amélioration a été remarquable et, en moyenne, supérieur à 50%. L'utilité du modèle mis au point pour des livraisons plus courtes est importante. De plus, le modèle peut être généralisé à d'autres zones.