یک سیستم مهندسی دانش محور برای برنامه ریزی سیستم های برداشت و توزیع آب باران شبکه ای
موسسه توسعه محصول، دانشگاه لایبنیتس هانوفر، ۳۰۸۲۳ گاربسن، آلمان
*
نویسنده ای که مسئول است باید ذکر شود.
پایداری ۲۰۲۳، ۱۵(۱۱), ۸۶۳۶; https://doi.org/10.3390/su15118636 (ثبت DOI)
دریافت: ۱۱ ژانویه ۲۰۲۳
/
بازبینی شده: ۱۸ مه ۲۰۲۳
/
پذیرش: ۲۳ مه ۲۰۲۳
/
تاریخ انتشار: ۲۶ مه ۲۰۲۳
/
بازبینی شده: ۱۸ مه ۲۰۲۳
/
پذیرش: ۲۳ مه ۲۰۲۳
/
تاریخ انتشار: ۲۶ مه ۲۰۲۳
(این مقاله متعلق به شماره ویژه است پایداری در تامین آب و سیستم های هوشمند آب)
خلاصه
:
برداشت آب باران علاقه فزاینده ای را در حوزه برنامه ریزی شهری جلب می کند. هنگامی که یک سیستم برداشت آب باران را به عنوان یک هدف طراحی در نظر می گیریم، سؤالاتی شامل این است که آیا این سیستم برای یک ویژگی واحد طراحی شده است یا برای یک شبکه آب محلی که چندین ویژگی را ارائه می دهد، چه چیزی برای گنجاندن مخازن بافر و متعادل کردن منابع در بین شرکت کنندگان در شبکه، چگونه است. اندازه مخازن و اینکه سیستم در مواجهه با تغییر تقاضا چقدر قوی است. مهندسی مبتنی بر دانش روش ها و مجموعه ابزاری را برای چنین اهداف برنامه ریزی ارائه می دهد. برای این مقاله، نویسندگان تکنیک‌های مبتنی بر پیکربندی مبتنی بر مدل و منابع و شبکه‌های تصمیم بیزی را برای پیشنهاد یک سیستم مهندسی مبتنی بر دانش برای سیستم‌های جمع‌آوری و توزیع آب باران مسکونی، شبکه‌ای استفاده کردند. این امر به طراحان امکان می دهد تا تأثیرات حوزه های مختلف حوضه را بررسی کنند، اندازه مخزن ذخیره را در شبکه تنظیم یا به حداقل برسانند و تأثیر آنها را بر برداشت فردی و تبادل با یک بافر شبکه مرکزی ارزیابی کنند، تقاضاهای داخل یک محله را بر اساس مصرف کننده دقیق ارزیابی کنند. همچنین در طول زمان مدل کنید و حساسیت سینک ها و منابع منفرد را به شبکه آب آزمایش کنید. برای برنامه ریزان شهری، این امکان را فراهم می کند، به عنوان مثال، تعهدات طراحی برای ساخت مسکن یا نوسازی شهرک ها را انجام دهند.
۱٫ معرفی
درک آب به عنوان یک منبع در حال تغییر چشمگیری است. در نتیجه تغییرات آب و هوایی، از یک سو، خشکسالی حتی در عرض های جغرافیایی معتدل و کاهش سطح آب های زیرزمینی در بسیاری از مناطق موضوعی است که اکنون تقریباً همه را تحت تأثیر قرار داده است. [۱,۲]. از سوی دیگر، افزایش رویدادهای آب و هوایی شدید و مخاطرات طبیعی مرتبط با آب و هوا، خطرات بیشتری را برای مردم به همراه دارد. [۳,۴]. این نه تنها اولین کنفرانس آب سازمان ملل در تقریباً ۵۰ سال گذشته در سال ۲۰۲۳ است که توجه را به آنچه که به یک حقیقت جهانی تبدیل شده است جلب می کند: آب باید مدیریت شود.
یکی از منابع آبی که تاثیر بسزایی در اندازه سیستم های زیرساختی آب دارد، آب باران است [۵,۶,۷]. تخلیه آب طوفان برای محافظت از زیرساخت های دیگر در برابر آسیب، مانند آنچه که برای مثال در لس آنجلس یا توکیو مشاهده می شود، تنها یک سوال برای برنامه ریزان شهری است. [۸,۹,۱۰]. ادغام آب باران در چرخه آب شهری موضوع طراحی شهری حساس به آب است [۱۱,۱۲,۱۳]، با مفاهیمی مانند فناوری بام سبز، دیوارهای زنده و شهرهای اسفنجی به عنوان نمونه [۱۴,۱۵,۱۶,۱۷,۱۸].
برداشت و استفاده از آب باران (RWH) سنگ بنای بسیاری از این مفاهیم است و به تأثیرگذاری بر تقاضای اوج آب و رواناب آب طوفانی کمک می کند. [۱۹,۲۰]. علاوه بر نصب ساده یک مخزن آب باران در یک ملک، درک محله‌ها یا مناطق به عنوان شبکه‌های آب محلی و غیرمتمرکز امکان متعادل کردن منابع را فراهم می‌کند، زیرا شرکت‌کنندگان با مصرف کم یا بافرهای اضافی شهری می‌توانند برداشت خود را در دسترس سایر شرکت‌کنندگان در شبکه قرار دهند. به عنوان مورد نیاز [۲۱].
بنابراین، هنگامی که یک سیستم RWH را به عنوان یک شی طراحی در نظر می گیریم، ابتدا این سؤالات مطرح می شود که چگونه آن را با توجه به تأمین و مصرف آب باران اندازه گیری کنیم. [۲۲]ثانیاً، چگونه می توان آن را در برابر نیازهای متغیر و مکان در طول عمر طولانی مقاوم کرد [۲۳]و سوم، جایی که می توان مرزهای سیستم را برای حداکثر سود برای همه ذینفعان تعیین کرد. رویه و استانداردهای فعلی طراحی مانند EN 16941-1 [24] تمایل دارند بر جنبه های فردی موارد فوق تمرکز کنند. یک رویکرد پرکاربرد شبیه‌سازی توازن جرم آب بر اساس بازده و تقاضا برای هر مرحله زمانی شبیه‌سازی برای یک سیستم RWH ایزوله است. [۶].
با توجه به سؤالات فوق، یک ابزار طراحی مناسب برای سیستم های RWH به طور کلی باید بتواند اجزای سیستم را بر اساس داده های قابل اعتماد و به اندازه کافی حل شده اندازه گیری کند، از طراح در تشخیص حساسیت ها در پارامترهای طراحی پشتیبانی کند، به عنوان مثال، به دلیل تغییر در الگوهای استفاده یا مکان، و تنظیمات و مرزهای مختلف سیستم را با هم مقایسه کنید. برای چنین وظایف طراحی، رشته مهندسی دانش بنیان (KBE) روش ها و مجموعه ای جامع از ابزارها را ارائه می دهد. [۲۵,۲۶,۲۷].
این مقاله یک سیستم KBE مدولار را برای طراحی سیستم‌های برداشت و توزیع آب باران مسکونی ارائه می‌کند که در آن نویسندگان تکنیک‌های KBE مانند پیکربندی مبتنی بر مدل و منبع و شبکه‌های تصمیم بیزی را به کار می‌برند. مشارکت‌های زیر با این موضوع مرتبط است: اول، نویسندگان یک مدل احتمالی مصرف‌کننده را برای قوی‌تر کردن پیش‌بینی تقاضای آب و همچنین ارزیابی اثرات پارامترهای تأثیرگذار مختلف در طول زمان پیشنهاد می‌کنند. دوم، اثرات یک سیستم RWH شبکه ای در یک محله با یک مخزن بافر مرکزی را می توان با اثرات سیستم های RWH ایزوله مقایسه کرد تا بتوان توصیه های طراحی یا تعهدات طراحی مناسب را انجام داد.
مقاله به شرح زیر تنظیم شده است: اول، در بخش ۲پیشینه نظری سیستم های KBE به طور کلی، شبکه های بیزی به عنوان ابزاری برای مدل سازی عدم قطعیت ها و اندازه سیستم های RWH ارائه شده است. بخش ۳ سپس شامل توصیفی از مفهوم مدل مصرف کننده شبکه بیزی و همچنین مدل ذهنی و مقدماتی است که نویسندگان برای توسعه سیستم استفاده کردند. پس از آن، بخش ۴ ساختار و راه اندازی سیستم پیاده سازی شده را قبل از این ارائه می کند بخش ۵ کاربرد سیستم را برای پیکربندی های مختلف یک محله و همچنین تولید دانش طراحی با تحلیل حساسیت تغییرات پارامترها برای تهیه و مصرف آب نشان می دهد. که در بخش ۶، کاربرد و همچنین رویکرد روش شناختی قبلا مورد بحث قرار گرفته است بخش ۷ مقاله را به پایان می رساند.
۲٫ پیشینه نظری و کارهای مرتبط
۲٫۱٫ مهندسی دانش بنیان
ایده KBE با یک تغییر پارادایم در مدلسازی محصول به کمک رایانه همراه است، به دور از مستندسازی یک نوع محصول واحد به فضاهای راه‌حل مدلسازی که در آن می‌توان گونه‌ای را یافت که متناسب با مجموعه‌ای از الزامات باشد. [۲۸]. بنابراین، هدف KBE دو چیز است: یکی خودکار کردن طراحی یا انطباق محصولات و اجزای آنها بر اساس هوش مصنوعی، به عنوان مثال، یک سیستم استدلال، که قادر به در نظر گرفتن زمینه طراحی است، به عنوان مثال، الزامات یا محدودیت های داده شده. [۲۷,۲۹]. مورد دیگر کشف خودکار دانش طراحی در مورد یک مصنوع است، به عنوان مثال، از طریق بررسی سیستماتیک و ارزیابی حساسیت تغییرات پارامترهای طراحی و وابستگی آنها با توجه به خواص محصول حاصل. [۳۰,۳۱]. هر دو KBE را به عنوان جعبه ابزار برای تحقق دوقلوهای دیجیتال واجد شرایط می‌دانند و بنابراین کاربرد آن را برای اجرای سیستم‌های خدمات هوشمند نشان می‌دهند. [۳۲,۳۳].
ساختن یک سیستم KBE منجر به دو سوال اساسی می شود: اول، نحوه مدل سازی فضای راه حل، و دوم، چگونگی کشف آن برای انجام یک کار طراحی. کار طراحی ممکن است قبلاً متضمن پاسخ به سؤالات فوق باشد [۳۴]. برای مثال، در پیکربندی محصول، وظیفه طراحی یافتن ترکیبی از اجزای از پیش تعریف شده برای مونتاژ از طریق رابط های شناخته شده است. [۲۶,۳۵]. بنابراین، مدل فضای راه‌حل ممکن است شامل نمایشی از اجزای از پیش تعریف‌شده، گزینه‌ها و گزینه‌های فردی آنها، و محدودیت‌هایی باشد که رابطه بین مؤلفه‌ها و همچنین با ورودی کاربر به عنوان دانش دامنه را توصیف می‌کند. یک رویکرد پیاده سازی رایج، فرمول بندی یک مشکل رضایت محدودیت (CSP) است. [۳۶]. سپس کاوش حل CSP توسط الگوریتم های مربوطه است که می تواند به عنوان دانش کنترل یا استنتاج در استدلال مبتنی بر مدل درک شود. [۳۷]. با توجه به طراحی سیستم RWH، ورودی‌های CSP می‌تواند اندازه حوضه، الگوی بارندگی و داده‌های مربوط به مصرف آب باران باشد تا سیستم پیکربندی یک مخزن، پمپ‌ها و سایر تجهیزات لازم با اندازه‌های مناسب را خروجی دهد. چنین سیستم‌هایی را می‌توان یافت، برای مثال، از طریق حضور تولیدکنندگان سیستم RWH در وب به عنوان پیکربندی‌کننده‌های آنلاین یا ابزار اندازه‌گیری. برای کاربران نهایی، این یک پشتیبانی تصمیم گیری راحت است، زیرا این ابزارها می توانند نیازهای کاربر را به مشخصات یک سیستم ترجمه کنند، بدون نیاز به دانش عمیق تر محصول. [۳۸,۳۹,۴۰].
برای متعادل‌سازی منابع، این رویکرد برای مدلسازی تهیه و مصرف منابع با محدودیت‌ها، انتزاعی نگه داشتن مفهوم منبع، به‌عنوان مثال، به‌گونه‌ای که فضای نصب یا رابط‌های فنی را نیز می‌توان به عنوان منابع در نظر گرفت، اقتباس شد. [۴۱]. طراحان می‌توانند از این رویکرد برای توسعه، شبیه‌سازی و کنترل یک سیستم فوق‌العاده از ویژگی‌های چندگانه استفاده کنند که هر کدام دارای حوضه، مخزن و سیستم پمپاژ خاص خود هستند و بین نیازهای شرکت‌کنندگان و تقاضای آب میانجی‌گری می‌کنند.
در مقابل، یک مدل طراحی به کمک کامپیوتر مبتنی بر دانش هندسی که شکل یک محصول یا اجزای آن را با نیازهای تغییریافته تطبیق می‌دهد، از انواع پیاده‌سازی دانش حوزه‌های مختلف استفاده می‌کند، به عنوان مثال، از جمله محدودیت‌های پارامتر، قوانین و قالب‌های طراحی، و همچنین به عنوان استراتژی های کنترلی پیچیده تر [۲۸,۴۲].
رویکردهای فوق به مدل سازی فضای راه حل صریح و حل محور تعلق دارند. یک استراتژی اساساً متفاوت که در معماری رایج است، مدلسازی ضمنی و فرآیندگرا از فضای راه حل است. در اینجا، توسعه یک سیستم KBE به جای انواع راه حل های محصول از پیش فرموله شده، بر اتوماسیون فرآیند طراحی متمرکز است. [۴۳]. چنین رویکردهایی متکی به فرمول‌بندی الگوریتمی از جمله قوانین طراحی محصول و قوانین برای استخراج ویژگی‌های محصول بر اساس نیازمندی‌ها هستند، اما همچنین شامل مدل‌های تبدیل از منابع داده خارجی یا شبیه‌سازی عددی می‌شوند. [۴۴,۴۵]. بنابراین، این مفهوم، به عنوان مثال، در طراحی برای ساخت افزودنی در حوزه مهندسی مکانیک منتشر شده است، زیرا هدف آن تولید یک محصول جداگانه برای هر مجموعه از نیازهای مشتری بدون تکیه بر مدل محصول قابل تنظیم موجود است، که به ویژه برای هندسه های پیچیده مطلوب است. [۴۶,۴۷,۴۸].
اشکال ترکیبی وجود دارد که نقاط قوت هر دو مفهوم را ترکیب می کند. یکی از آنها رویکرد پیشنهاد و تجدید نظر است که از یک مدل فضای راه حل صریح برای پیشنهاد یک پیکربندی اولیه سیستم استفاده می کند که نزدیک به مطابقت با الزامات داده شده است. سپس بخش الگوریتمی به طور خودکار پیکربندی را طبق یک مجموعه واکنش معمولاً مبتنی بر قانون تغییر می‌دهد تا برآورده شدن نیاز را بهبود بخشد. [۴۹,۵۰]. تکمیل چنین سیستم‌هایی با مطالعه پارامترهای خودکار، توانایی ارزیابی نحوه واکنش یک طرح به تغییرات نیازمندی‌ها و پیروی از آنها برای فرمول‌بندی دانش طراحی صریح جدید را فراهم می‌کند.
۲٫۲٫ شبکه های بیزی
استدلال فوق در مورد کشف دانش طراحی جدید با بررسی تأثیر تغییرات پارامترها بر یک طرح، دیدگاه دیگری را برای رشته های مهندسی معرفی می کند. سیستم‌های KBE همچنین برای یافتن طرحی که نسبت به تغییر (محدود) در نیازمندی‌ها حساس نیست، ارزشمند هستند، که فرصت‌هایی را برای مقابله با عدم قطعیت‌ها در خود نیازمندی‌ها باز می‌کند و در نتیجه به مدیریت پیچیدگی کمک می‌کند. [۵۱,۵۲,۵۳]. اگر عدم قطعیت به عنوان یک هدف مدل سازی یک مصنوع طراحی درک شود، می توان آن را با استفاده از مدل سازی ضمنی و صریح پیاده سازی کرد. در گزینه اول، طراحان عدم قطعیت را به عنوان چنین مدلسازی نمی کنند، بلکه سیستمی را که باید به عنوان یک مدل تجزیه و تحلیل شود، نشان می دهند. این به دنبال یک بهینه‌سازی چند هدفه است، مانند نمونه‌برداری Hypercube Latin، که در آن می‌توان حساسیت تغییرات در متغیرهای طراحی را با تغییر ورودی‌ها برای آشکار کردن تابع هدف بهینه‌سازی استنباط کرد. [۵۴]. در مقابل، مدلسازی صریح مستقیماً عدم قطعیت‌ها را مرتبط می‌کند، به عنوان مثال، به شکل احتمالات، با بخش‌هایی از مدل مصنوع طراحی. از آنجایی که چنین احتمالاتی معمولاً وابسته هستند و رویکردهایی مانند شبکه های بیزی (BNs) فرموله شده اند. [۵۵]. BN ها هنگام نمایش داده های گم شده یا نامشخص استفاده می شوند. آنها کاربردهایی پیدا می کنند، به عنوان مثال، در وظایف تشخیص، که می تواند دانش متخصص را به عنوان اثر یک علت با احتمالات مدل کند. [۵۶].
دو عبارت A و B را با حالت های دودویی ممکن درست (T) و نادرست (F) فرض کنید. اگر گزاره A درست باشد و گزاره B را بتوان از عبارت A استنباط کرد، گزاره B نیز صادق است. در مقابل این القاء است، جایی که موضوع استنباط خطا از علامت است. این می تواند منجر به عدم اطمینان شود، به عنوان مثال، اگر چندین خطا باعث ایجاد یک علامت شود. اگر یک گزاره A مستقل نباشد، بلکه فقط با این فرض درست باشد که یک گزاره دیگر B درست است، به آن احتمال شرطی می گویند. [۵۷]. این احتمال مشروط ممکن است نشان دهنده دانش تخصصی ذاتی باشد. BN ها از اتصال این دانش بیان شده توسط احتمالات شرطی به یک پایگاه دانش با استفاده از قانون به اصطلاح بیزی استفاده می کنند زیرا شواهد (B) اغلب به عنوان اثر یک علت ناشناخته (A) درک می شود و هدف تعیین علت است. [۵۸].
یک مزیت کلیدی BN ها استدلال در برابر زنجیره علی است. نمودارهای غیر چرخه ای جهت دار برای تجسم دانش، با گره های مربوط به متغیرهای نامشخص و یال های مربوط به احتمالات شرطی آن متغیرها استفاده می شود. احتمالات درون BN بر اساس آزمایش‌های تصادفی است و دانش ذاتی یا اطلاعات نامطمئن را نشان می‌دهد. کورب و نیکلسون [۵۹] یک رویکرد دو مرحله‌ای برای مدلسازی یک BN پیشنهاد کرد: (۱) ساخت ساختار (گره‌ها با مقادیر و کمان) و (۲) اختصاص پارامترها (احتمالات). پس از ایجاد نمودار مرتبط در مرحله اول، احتمالات را می توان اضافه کرد. ابتدا باید اندازه هر گره مشخص شود. CPT (جدول احتمال شرطی) برای پیاده سازی احتمالات شرطی استفاده می شود [۶۰]. اینها آرایه هایی هستند که احتمالات گره های جداگانه در آنها ذخیره می شود. برای محاسبه استنتاج، می توان بین چندین الگوریتم، به عنوان مثال الگوریتم درخت پیوند، یکی را انتخاب کرد.
مثال از [۵۸] این را با مشاهده چمن مرطوب (W) و علل احتمالی استفاده از آبپاش (S) و بارندگی (R) نشان می دهد. هر دو علت یک گره والد، ابری (C) دریافت می کنند (شکل ۱). هنگامی که شواهد اضافه می شود، مدل با دانش قبلی غنی می شود. اگر قرار باشد احتمال اینکه اسپرینکلر مسئول چمن خیس است تعیین شود، احتمال W = 1.0 برای چمن مرطوب گره تنظیم می شود. این منجر به احتمال وقوع ۴۲٫۹٪ برای آبپاش می شود که منبع چمن مرطوب باشد، صرف نظر از هوای ابری.
در ادبیات، BN ها در توسعه محصول استفاده می شوند، به عنوان مثال، برای گسترش فضای راه حل طراحی با دستکاری داده های قطعی و احتمالی برای انجام تولید و اکتشاف معماری محصول. با استفاده از قالب‌ها برای مدلسازی گره‌های تصادفی، متغیرهای طراحی، محدودیت‌ها و سطوح اطمینان، از جمله موارد دیگر، نمایش داده می‌شوند تا سازگاری اجزای یک محصول را بتوان تأیید کرد. علاوه بر این، BN ها برای طراحی مشارکتی مبتنی بر مجموعه استفاده می‌شوند، جایی که بخش‌های طراحی مختلف، مناطق امیدوارکننده خود را در فضای راه‌حل طراحی برای یک هواپیمای بدون سرنشین برای یافتن راه‌حل‌های مورد علاقه مدلسازی، اشتراک‌گذاری و ترکیب می‌کنند. [۶۱]. وانگ و همکاران [۶۲] همچنین یک فضای راه حل را با BN برای کمک به مهندس در فرآیند تصمیم گیری طراحی برای ساخت افزودنی (DfAM) در بر می گیرد. برای دستیابی به این هدف، آنها پارامترهای فرآیند تولید را از نظر دستگاه و قطعه مورد چاپ و همچنین مواد احتمالی در نظر می گیرند که بر اساس آنها می توان در مورد خواص محصول نتیجه گیری کرد. همچنین می توان BN ها را با تجزیه و تحلیل داده ها ساخته و به روز کرد تا بتوان از آنها برای پیش بینی طرح های آینده بر اساس داده های مربوط به محصولات گذشته استفاده کرد. [۶۳,۶۴].
۲٫۳٫ سیستم های برداشت آب باران
سیستم های RWH برای جمع آوری و ذخیره آب باران، ترجیحاً از سطوح سقف استفاده می شود [۶۵]. آب باران جمع‌آوری‌شده هم برای مصارف داخلی، به عنوان مثال، شستشوی لباس‌ها، شستشوی توالت یا آب گرم، و استفاده در فضای باز، به عنوان مثال، آبیاری و تمیز کردن باغ مناسب است. [۲۲]. سیستم‌های RWH عمدتاً از ناودان‌های باران تشکیل شده‌اند که آب را از سقف، سیستم لوله‌کشی، مخزن ذخیره و پمپ جمع‌آوری می‌کنند. بسته به مصرف کنندگان فردی و نیازهای کیفیت آب آنها، فیلترهای اضافی یا یک انحراف کننده برای اولین بار توصیه می شود. [۶۶,۶۷]. بحث در مورد پیکربندی های مختلف سیستم RWH ممکن است به دست آید [۷].
به عنوان یک چارچوب سطح بالا، استاندارد اروپایی EN 16941-1 برای هماهنگ کردن کدهای ملی مختلف، مانند BS 8515 بریتانیا یا DIN 1989-1 آلمان، و ارائه مرجعی برای طراحی، نصب و راه‌اندازی ایجاد شد. نگهداری سیستم های RWH [24,68,69]. یک نقطه بحرانی اندازه فیزیکی مخزن ذخیره آب باران است. استانداردها و همچنین ادبیات سه دسته مختلف از روش های اندازه گیری را متمایز می کند که در پیچیدگی و دقت آنها متفاوت است.
روش‌های ارتباط تجربی بر همبستگی داده‌های به راحتی قابل اندازه‌گیری، مانند میانگین بارندگی سالانه، اندازه حوضه، و میانگین تقاضای آب برای هر مصرف‌کننده تکیه می‌کنند. معمولاً آنها به صورت نمودارهای جستجوی ساده، به عنوان مثال، منحنی های حوضه در مقابل ذخیره سازی تحقق می یابند [۲۳,۶۵]. کاربرد به نحوی از نظر سطوح بارندگی، تقاضای آب روزانه و انطباق منحنی ها با مناطق دیگر محدود شده است. [۶]. یک اشکال شناخته شده این است که چنین روش های ساده شده الگوهای بارندگی و تغییرات تقاضا را با دقت بیشتری از یک سال حل نمی کنند. در نتیجه، حجم مخزن معمولاً در مقایسه با روش های دیگر بیش از حد برآورد می شود [۶۷]. نسخه قدیمی DIN1989-1 شامل یک روش مختصر مرتبط بود که از آن زمان پس گرفته شده است.
دسته دوم شامل رویکردهایی است که از شبیه سازی پیوسته تعادل توده آب استفاده می کنند. موازنه جرم نشان دهنده ورودی ها، خروجی ها و تلفات یک سیستم RWH است که امکان استدلال در مورد حجم مخزن را بر اساس حجم محاسبه شده آب ذخیره شده در هر مرحله زمانی شبیه سازی می کند. [۶]. در این دسته، چندین مدل الگوریتمی وجود دارد، به عنوان مثال، روش‌های اساسی تسلیم قبل از ریختن یا بازده پس از ریختن [۷۰]. یک نکته مهم انتخاب مرحله زمانی است. EN 16941-1 یک شبیه سازی ساده با مقادیر سالانه را امکان پذیر می کند [۲۴]. در مقابل، شبیه‌سازی دقیق، و همچنین سایر مدل‌های شبیه‌سازی پیشرفته، از یک گام زمانی روزانه استفاده می‌کنند. [۶۷]. به خصوص برای اندازه مخازن کوچک، تفکیک زمانی ناکافی منجر به دست کم گرفتن قابل توجهی از بازده سالانه آب باران می شود. [۷۱].
روش های دسته سوم یک اشکال دیگر رویکردها را در نظر می گیرند که عدم اطمینان در مورد الگوهای عرضه و تقاضا در آینده است. به خصوص در سمت عرضه، روش های احتمالی و تصادفی به طور فزاینده ای مورد استفاده قرار گرفته اند و اغلب به عنوان مولدهای بارندگی در نظر گرفته می شوند. [۶,۶۵]. احتمال بارندگی بر اساس داده‌های مربوط به سوابق بارش تاریخی و برآورد توسعه آینده متغیرهای اقلیمی تجزیه و تحلیل می‌شود که امکان پیش‌بینی حتی در مقیاس‌های زمانی بزرگ مربوط به سیستم‌های زیرساختی آب را فراهم می‌کند. [۲۳,۷۲]. سپس این داده ها معمولاً به عنوان ورودی برای محاسبه ترازهای جرم گرفته می شوند [۶۷].
یک دیدگاه متفاوت در طراحی یک سیستم RWH، دیدگاه اقتصادی است. با توجه به سیستم ایزوله برای یک ساختمان فردی، بیش از حد یا دست کم گرفتن ممکن است منجر به خسارات اقتصادی شدید نشود. [۵]. با این وجود، افزایش اندازه مخزن لزوماً کارایی را افزایش نمی دهد، اما منجر به افزایش احتمالی هزینه های خدمات و کاهش ایمنی عملیاتی می شود، به عنوان مثال، زمانی که مخزن قادر به شناور شدن برای خود تمیز کردن نباشد. [۷۳]. با این حال، هنگامی که سیستم RWH را به عنوان بخشی از زیرساخت آب در نظر می گیریم، تأثیرات بر تامین آب و زهکشی آب طوفان در واقع قابل اندازه گیری است و حتی تا سطح قطر لوله قابل محاسبه است. [۱۹].
۳٫ توسعه مدل
اگرچه چندین رویکرد که عدم قطعیت در مورد پارامترهای آینده را توضیح می دهند در ادبیات گزارش شده است، به نظر می رسد که آنها به شدت بر روی طرف عرضه تمرکز دارند. [۶۵]. سمت تقاضا معمولاً به عنوان میانگین مصرف آب برای هر نفر مدلسازی می‌شود که با مدل‌هایی برای مثال آبیاری باغ در ماه‌های تابستان تکمیل می‌شود. [۶۶].
برای ارزیابی استحکام سیستم‌های RWH، هدف نویسندگان ارائه انگیزه‌های جدید با معرفی یک مدل مصرف‌کننده احتمالی و ارزیابی مقایسه‌ای سیستم‌های RWH جدا شده و شبکه‌شده بر روی ویژگی‌های متعدد است که امکان تعادل منابع بین سیستم‌های فردی را فراهم می‌کند. بنابراین، یک BN رفتار کاربر را نشان می دهد و امکان محاسبه تقاضای آب را فراهم می کند. سپس یک رویکرد پیکربندی مبتنی بر مدل و منبع برای سیستم RWH امکان مقایسه پیکربندی‌های مختلف سیستم و استدلال در مورد پارامترهای طراحی واحد را فراهم می‌کند.
۳٫۱٫ مدل مصرف کننده
مدل مصرف کننده شامل یک BN با چهار لایه است که لایه چهارم کل مصرف فرد را بر اساس عادات و رفتارهایش نشان می دهد. شکل ۲ توپولوژی شبکه و تمامی عوامل تاثیرگذار را نشان می دهد.
در این مدل، مصرف‌های منفرد برای دوش، توالت، لباسشویی و شستشوی ماشین نشان داده شده و برای اولین تقریب به شش ناحیه مجزا تقسیم می‌شوند. حساسیت های برای ارزیابی بهتر انتقال بین مناطق گسسته در نظر گرفته می شوند. ویژگی های یک شخص به عنوان گره در نمودار تنظیم می شود. هر گره حاوی یک CPT است که اندازه جدول به تعداد گره های والد بستگی دارد. خود احتمالات مشروط بر اساس داده‌های آماری واقعی از تحقیقات بازار و نظر، و همچنین از آمارهای اقتصادی و رسمی برای سال ۲۰۲۱ با اشاره به جمهوری فدرال آلمان واریز شده است. CPTها برای مصرف قطعات مورد استفاده برای مدل در ضمیمه در گنجانده شده است جدول A7، جدول A8، جدول A9 و جدول A10. این مصرف قطعات به نوبه خود به ویژگی های کاربر بستگی دارد که می تواند به فیلتر درشت و ریز تقسیم شود. فیلتر درشت شامل توزیع بر اساس سن و جنسیت است. سن به شش محدوده مجزا تقسیم شد (میز ۱) که به طور مساوی توزیع نمی شوند تا تحرک و نوسان بیشتر ساکنان سن کمتر را در نظر بگیرند.
برای فیلتر ریز، تمرکز بیشتر بر روی عوامل موثر بر مصرف آب است. اینها شامل بیماری های دستگاه گوارش، بلندی مو، اسپرت بودن، بهداشت، محل کار و در دسترس بودن خودرو هستند که همه به تاثیر آنها بر مصرف تک قطعه تقسیم می شوند. به عنوان مثال، اگر فردی بیشتر در یک دفتر کار خانگی کار کند، این احتمال وجود دارد که مصرف آب ناشی از شستشوی توالت را افزایش دهد اما مصرف لباس‌های شسته شده را کاهش می‌دهد. به همین ترتیب، اسپرت بودن بالا احتمالا مصرف دوش و لباسشویی را افزایش می دهد. CPT برای فیلتر ریز در پیوست پیوست شده است جدول A1، جدول A2، جدول A3، جدول A4، جدول A5 و جدول A6. برای انطباق مدل با مکان های دیگر، CPT ها باید با توزیع های احتمال آن مکان با جایگزینی مقادیر مربوطه به روز شوند.
در مرحله اول پیاده سازی، مقادیر باینری برای ویژگی های کاربر در نظر گرفته شد، به طوری که مقدار احتمال بیشتری برای به روز رسانی BN در نظر گرفته شد. بر این اساس، احتمالات مشروط مصرف کنندگان به روز می شود. سطح اولیه BN نشان دهنده مصرف احتمالی آماری برای یک فرد است. استنتاج BN با استفاده از یک الگوریتم درخت اتصال انجام می شود، که گره ها را به عنوان تقاطع می گیرد و نمودار را به درخت های تصمیم کوچک تقسیم می کند تا بتواند گام به گام احتمالات را به روز کند. بنابراین، از BN، که به عنوان یک گراف غیر چرخه‌ای جهت‌دار (DAG) مدلسازی می‌شود، ابتدا یک نمودار بدون جهت به نام گراف اخلاقی ساخته می‌شود که در آن گره‌های والد یک فرزند معمولی به هم متصل می‌شوند. [۵۶,۷۴]. پس از آن، یال های بیشتری برای تقسیم نمودار به مثلث گره ها اضافه می شود. از این مثلث ها، خوشه هایی مشخص می شوند که از زیر مجموعه هایی از گره ها از نمودار مثلثی تشکیل شده اند. در مرحله آخر، یک درخت اتصال از خوشه ها تشکیل می شود که امکان به حداقل رساندن زمان محاسباتی را فراهم می کند. [۷۵]. شکل ۳ ابتدا یک BN به شکل DAG، دوم نمودار مثلثی بدون جهت، و سوم درخت پیوند مشتق شده از آن را نشان می دهد.
بر اساس درخت اتصال تعیین شده، احتمالات مشروط را می توان محاسبه کرد. به گفته هوانگ و دارویچه [۷۵]درخت پیوند با احتمالات گره ها مقداردهی اولیه می شود و مشاهدات معرفی می شوند تا بتوان این درخت پیوند را ناسازگار در نظر گرفت. به عنوان مثال، انتشار با استفاده از ارسال پیام، می تواند ثبات را در درخت اتصال تضمین کند. در مرحله آخر، احتمالات شرطی باید به حاشیه رفته و نرمال شوند تا مجموع متغیرهای پسین دوباره ۱ شود. این شکل از الگوریتم برای BN های کوچکتر به خوبی کار می کند، مانند این مثال، که در آن مقادیر گسسته کمی استفاده می شود. به محض اینکه BN بزرگتر یا حتی پیوسته شد، استنتاج باید با استفاده از الگوریتم های نمونه گیری انجام شود. اکنون که BN مدل شده است، مصرف آب ناشی از کاربر را می توان با به روز رسانی احتمالات برای گره های ویژگی کاربر تعیین کرد. به عنوان مثال، اگر مشخص شود که فرد زن و بین ۱۴ تا ۲۴ سال دارد، احتمال بلندی مو از ۲۹٫۸۷ درصد به ۷۰ درصد افزایش می یابد و همچنین میزان مصرف آب در نظر گرفته شده برای دوش گرفتن افزایش می یابد.
به عنوان یک جایگزین ساده شده برای BN، یک مدل محاسبه دوم از یک نمودار درخت مجازی استفاده می کند که از ویژگی های یک ساکن برای نشان دادن مصرف آب احتمالی آماری تشکیل شده است. برای این منظور، احتمالات مسیر محاسبه شده تمامی ترکیبات اموال ممکن یک شخص تعیین می شود. شش ترکیب با بالاترین احتمال به عنوان ساکنان استاندارد ممکن تنظیم می شوند.
۳٫۲٫ مدل دینامیک سیستم و مکان
اساس سیستم KBE برای شبکه های برداشت و توزیع آب باران مدلی از شبکه آب مربوطه است. در این زمینه، نمایش سهام و جریان ها بر رویکرد مدل سازی مبتنی بر منابع تأکید می کند که منابع و سینک های شبکه و همچنین ویژگی های مختلف ورودی و خروجی را در نظر می گیرد. شکل ۴ یک واحد مسکونی را به عنوان مدل دینامیک سیستم نشان می دهد، در حالی که شکل ۵ مدل دینامیک سیستم را برای محله‌ای متشکل از ۱۰ ملک ارائه می‌کند که هر یک نمونه واحد مسکونی واحد فوق را نشان می‌دهد. در این مرحله، هدف بازتولید کامل چرخه آب شهری نبود، به عنوان مثال، همانطور که در [۱۱]، اما برای تجسم شبکه و مکان هایی که در زیر توضیح داده شده است.
آب باران، آب تمیز و آب لوله کشی به عنوان منابع اصلی جمع آوری آب با در نظر گرفتن یک واحد مسکونی فرض می شود، در حالی که شستشوی توالت، دوش، لباسشویی، نظافت ماشین و آبیاری باغ به عنوان مصرف کنندگان اصلی فرض می شود. آب باران بر اساس داده‌های تاریخی سرویس هواشناسی آلمان (DWD) با وضوح مبتنی بر روز برای ۵ سال گذشته (۱٫۱) مدلسازی شد، به طوری که نوسانات فصلی را نیز می‌توان در نظر گرفت. این داده ها به صورت عمومی در دسترس هستند و بعداً می توانند به طور خودکار از سیستم KBE پس از ورود طراح به مکان سیستم RWH مورد طراحی بازیابی شوند. برای مدلسازی بازده واقعی آب باران، ضریب بازده سقف (۲) نشان‌دهنده انواع مختلف سقف است و به‌عنوان جدول کارایی بر اساس مقادیر EN 16941-1 ذخیره می‌شود. علاوه بر این، نویسندگان یک ضریب بازده حوضه (۲٫۱) را معرفی می کنند زیرا جمع کننده های مختلف آب باران تجاری موجود کارایی خاص خود را دارند، که همچنین به عنوان جداول بر اساس داده های ارائه دهنده واقعی ذخیره می شوند. به عنوان یک گزینه، یک دیورتر فلاش اول (۳) بازده هر رویداد بارندگی را ۰٫۳۳ کاهش می دهد. ، مطابق با [۶۶]، به طوری که هیچ آلاینده ای وارد مخزن ذخیره نشود.
منبع دوم آب یک چرخه داخلی آب خانگی است که از آب استفاده مجدد می کند، به عنوان مثال، از تمیز کردن سبزیجات، جایی که هیچ مواد شوینده شیمیایی وجود ندارد. بنابراین، فرض بر این است که آب در یک مخزن کوچک در آشپزخانه جمع آوری شده و سپس به صورت دستی به مخزن ذخیره منتقل می شود. آب تمیز کردن به تعداد افراد و احتمال پخت و پز در خود خانه بستگی دارد (۴٫۱) و اینکه چند بار آب به مخزن می رسد، مثلاً دو بار در هفته (۴٫۲).
آب لوله کشی (۵) نشان دهنده آب از منبع آب اصلی است، به عنوان مثال، ارائه شده توسط توزیع کننده محلی. آب لوله کشی زمانی اضافه می شود که مصرف (۵٫۱) از آب جمع آوری شده از سایر منابع بیشتر باشد. مقدار آن یک پارامتر طراحی است که باید توسط سیستم به حداقل برسد. برای اینکه بتوان منابع آب بیشتری را در سیستم ادغام کرد، یک مکان نگهدار مربوطه گنجانده شده است. آب همه منابع ابتدا به مخزن آب (۷) هدایت می شود و سپس از آنجا به سینک های مختلف منتقل می شود. تلفات ناشی از نشت و تبخیر (۷٫۱) می‌تواند برای مدلسازی کارایی سیستم RWH در نظر گرفته شود، اما در این مرحله از پیاده‌سازی نادیده گرفته می‌شوند، زیرا به عنوان یک متغیر تعیین‌کننده طراحی در نظر گرفته نمی‌شوند. برای تمیز کردن مخزن آب در چرخه های منظم، مخزن مجاز به سرریز شدن است (۸). سرریز در اینجا به عنوان یک متغیر طراحی در نظر گرفته می‌شود، به این معنا که مخزن باید حداقل تعداد معینی از بار در سال توسط حجم معین سرریز شود. این در محاسبه بعدی ترازهای جرم گنجانده شده است.
همانطور که برای مصرف کنندگان القا شده توسط کاربر، مدل توالت (۹)، دوش (۱۰)، لباسشویی (۱۱) و تمیز کردن ماشین (۱۲) را با تقاضای آب روزانه آنها، بر اساس مقادیر استانداردها یا داده های ارائه دهنده، ادغام می کند. عوامل تأثیرگذار (۱۰٫۱، ۱۱٫۱ و ۱۲٫۱) ویژگی ها را از مدل مصرف کننده شرح داده شده در بالا ترسیم می کنند. باغ (۱۳) به عنوان یک مصرف کننده خاص در نظر گرفته می شود، زیرا به اندازه باغ بستگی دارد و بسته به دمای بیرونی (۱۳٫۱) نیاز به آبیاری متفاوت دارد. اجرای فعلی از میانگین نیاز آبیاری ۲٫۵ لیتر در هر متر مربع در روز استفاده می کند که زمانی که دما بالای ۱۵ درجه سانتیگراد است در تعادل جرم ادغام می شود. برای اینکه بتوان سیستم را در سمت مصرف کننده گسترش داد، می توان مصرف کنندگان اضافی را نیز مدل کرد (۱۴). برای ارزیابی سناریوهای مختلف برای اندازه مخزن و برای روش های متعادل سازی منابع، یک مخزن بافر اضافی (۱۵) در مدل پیاده سازی شده است.
یکی دیگر از مدل های دینامیک سیستم، سیستم فوق العاده یک محله با ده واحد مسکونی را نشان می دهد.شکل ۵). استفاده از یک بافر مرکزی برای ایجاد تعادل بین منابع بین واحدهای مسکونی نقش اساسی در این امر ایفا می کند. توجه داشته باشید که حائل مرکزی حوضه مخصوص خود مانند ناودان های پیاده رو ندارد بلکه تنها توسط واحدهای مسکونی متصل تغذیه می شود. هر واحد مسکونی دارای مخزن آب مخصوص به خود است که کل مجموعه آب واحد مسکونی به عنوان ورودی وارد آن می شود و کل مصرف واحد مسکونی از مخزن به عنوان خروجی خارج می شود. آب اضافی را می توان توسط واحدهای مسکونی جداگانه به مخزن بافر وارد کرد و همچنین می تواند با پر شدن مخزن بافر بازیابی شود (۱۵٫۱). علاوه بر این، شبکه لوله کشی (۱۵٫۲) باید قبل از رسیدن آب به مصرف کنندگان پر شود تا طول و ابعاد لوله نیز ذخیره شود.
۴٫ اجرا
این سیستم در MATLAB نسخه R2022a پیاده سازی شده است، زیرا جعبه ابزارهای زیادی، تعداد زیادی الگوریتم عددی و تصویرسازی ساده را ارائه می دهد. [۶۰]. شکل ۶ نمودار جریان اصلی برنامه را نشان می دهد.
پس از شروع برنامه، پنجره ورودی باز می شود که کاربر می تواند مکان را انتخاب کند (شکل ۷آ). مکان های احتمالی از لیست مکان ایستگاه های اندازه گیری سرویس هواشناسی آلمان (DWD) حاصل می شود. اسکریپت داده های مربوط به بارش و دما محلی را دانلود کرده و آنها را در وضوح هدف آماده می کند. علاوه بر این، رویکرد محاسبه مصرف در این تب درخواست می شود که در آن طراح بین BN و نمودار درخت مجازی ساده شده را انتخاب می کند. علاوه بر این، طراح انتخاب می کند که آیا حالت خانه چند خانواده (MFHM) باید فعال شود یا خیر. در این صورت چارچوب مرجع از محله ده ملکی به خانه چندخانواری با ده آپارتمان تغییر می کند تا تقاضای ساکنان بر این اساس محاسبه شود. در MFHM فقط مساحت سقف خانه یک در نظر گرفته شده و اتصال چندین مخزن غیرفعال می شود. شکل ۷b پنجره ورودی خانه ها/آپارتمان های مربوطه را نشان می دهد که در آن تعداد ساکنان، مساحت سقف، ضریب سقف، اندازه باغ و تک مصرف کنندگان آب باران درخواست شده است. آخرین گزینه به توسعه دهنده اجازه می دهد تا سناریوهای مختلف را مقایسه کند، به عنوان مثال، زمانی که تمیز کردن خودرو مجاز نیست، و بنابراین حساسیت چنین اقداماتی را بر روی رفتار سیستم بررسی کند.
پس از آن، بازده با استفاده از مشخصات ساختمان، داده های بارش و انحراف اولین بار محاسبه می شود. این سیستم همچنین چرخه آب داخلی خانوار را به نمایش می گذارد. بسته به تعداد افراد، تخمین زده می شود که بین ۱۲ تا ۳۰ لیتر آب تمیز در هفته تولید می شود و به مخزن ذخیره بازگردانده می شود. بر اساس آمار تعداد ماهانه غذاهای خانگی، یک ژنراتور تصادفی وزنی رفتار پخت و پز را هفته به هفته برای هر خانواده ترسیم می کند.
در مرحله بعد تقاضای واحدها محاسبه می شود. این سیستم واحدهای مسکونی را بر اساس روش محاسبه تقاضا انتخاب شده پر می کند. مصرف روزانه و فرد برای شستشوی توالت (۲۴ لیتر)، دوش گرفتن (۳۵ لیتر)، لباسشویی (۱۵ لیتر) و نظافت ماشین (۴۰۰ لیتر) به عنوان نقطه شروع در نظر گرفته شده است. این مقادیر توسط پورتفولیوهای کاربر تولید شده فاکتورسازی می‌شوند تا تأثیرات ناشی از کاربر تا حد بیشتری در نظر گرفته شود. برای ایجاد BN در MATLAB نسخه R2022a از کتابخانه ای به نام Bayes Net Toolbox (BNT) استفاده شد که توسط کوین مورفی در سال ۱۹۹۷ توسعه یافت و تا سال ۲۰۱۴ به روز نگه داشت. [۶۰]. نمودار BN در BNT به عنوان یک ماتریس نشان داده می شود، جایی که سطرها و ستون ها گره ها را نشان می دهند و ورودی های درون ماتریس نشان دهنده ارتباط بین این گره ها به صورت کمان هستند. هنگامی که عوامل فردی هر مصرف کننده بر اساس ویژگی های کاربر تعیین می شود، آنها با هم جمع می شوند تا کل مصرف آب برای هر نفر ایجاد شود. این مرحله برای همه افراد یک خانوار انجام می شود که به نوبه خود منجر به مصرف کل آب برای یک واحد مسکونی می شود. هنگامی که تمام مصرف آب برای هر نفر و هر واحد مشخص شد، تمام مشخصات ساکنان و مصرف‌های حاصل از تمام خانه‌ها در یک فایل متنی برای اهداف مستندسازی ذخیره می‌شوند.
سپس مصرف‌های متنی با توجه به عوامل القا شده توسط کاربر محاسبه می‌شوند. برای مثال کاربردی، توزیع دما برای مکان انتخاب شده برای محاسبه مصرف آب برای آبیاری باغ در دمای بالای ۱۵ درجه سانتیگراد تجزیه و تحلیل می شود. به عنوان یک نتیجه میانی، مصرف آب به ازای هر خانوار در یک تفکیک ماهانه خروجی می شود تا از یک سو اندازه مخازن را بتوان بر این اساس تعیین کرد و از سوی دیگر تعادل منابع را انجام داد.
با در نظر گرفتن بازده و مصارف محاسبه شده، حجم مخازن ماهانه بر اساس تراز جرمی واحدهای مسکونی بر اساس استاندارد EN 16941-1 محاسبه می شود، دوره خودکفایی نیز به عنوان متغیر طراحی در نظر گرفته شده و به صورت پیش فرض ۲۱ روز در نظر گرفته شده است. استاندارد. در نهایت، حجم متوسط هر مجلد ماهانه انتخاب می شود. بازده، مصرف و حجم مخزن در هر خانه رسم شده و به صورت نمودار میله ای نمایش داده می شود. مخزن باید به طور مرتب سرریز شود تا آلاینده های سطح آب، به اصطلاح لایه شناور، مانند برگ ها و گرده ها تخلیه شود. فرض بر این است که مخزن باید سه بار در سال سرریز شود و دو درصد از حجم اسمی آن تخلیه شود. برای تحقق این امر، سال به سه بخش تقسیم می شود و حداکثر سطح پر شدن در هر بخش تعیین می شود. سپس تفاوت بین محتوای مخزن فعلی و حجم هدف (۱۰۲٪) با آب لوله کشی پوشانده می شود. یک رویکرد ماهانه برای ارزیابی نهایی اندازه مخزن برای یک واحد در نظر گرفته می شود تا بتوان نوسانات و نقاط پرت را جبران کرد.
تا این مرحله، برنامه هر سیستم RWH را به عنوان یک فرد منزوی مشاهده کرده است. برای نمای شبکه ای شبکه آب، برنامه از مدل نشان داده شده در زیر پیروی می کند شکل ۵ با مخزن بافر مرکزی برای متعادل کردن منابع، از وضوح روزانه برای تجزیه و تحلیل بهتر زمان و مقدار آب می توان مبادله کرد و چند روز را می توان با مخزن بافر پوشاند، استفاده می شود. یک ماتریس متعادل ایجاد می شود که در آن تمام داده های مربوطه ذخیره می شود. مصرف ها به دسته های A، B و C تقسیم می شوند. طبقه بندی بر اساس اولویتی است که مصرف های فردی باید تحت پوشش قرار گیرند. موارد مصرفی شامل توالت، دوش و لباسشویی است و باید با اولویت بالا پوشش داده شود. مصرف B برای آبیاری باغ است و زمانی تغذیه می شود که پس از تغذیه مصرفی A هنوز آب باقی بماند. آب رده C برای شستشوی خودرو استفاده می شود. کمترین اولویت تقاضا را دارد و تنها زمانی تغذیه می شود که مصرف A و B پوشش داده شود. در مورد جیره بندی آب مصرف کنندگان B و C می توانند مسدود شوند.
برای بررسی و ارزیابی جنبه تعادل منابع، دو سناریو متمایز می شوند، یکی تخصیص آب مشترک به طور مساوی بر اساس مصرف سرانه و دیگری تخصیص با استفاده از اولویت بندی. برای سناریوی تخصیص سرانه، مقدار فعلی آب در مخزن بافر متناسب با تعداد کل کاربران تخصیص داده می شود. اگر با وجود مقدار آب اختصاص داده شده، کسری در تعادل کاربر باقی بماند، مخزن باید با آب لوله کشی مجدد پر شود. اگر خانه آب بیش از نیاز خود داشته باشد، تعادل استفاده نشده در مخزن بافر باقی می ماند.
سناریوی اولویت‌بندی هم تقاضا و هم ترکیب منابع و سینک‌های واحد را در نظر می‌گیرد، به طوری که می‌توان پاداش یا مالوس را تعیین کرد. به عنوان مثال، برای پاداش، ابتدا تفاوت های کوچک ارائه می شود یا آبی که از منابع خارجی تامین می شود و آب تمیز کننده از مابه التفاوت کم می شود تا تحویل آب اضافی با امتیاز بالاتری پاداش داده شود. اگر کاربر بیشتر آب خود را برای مصرف B و C مصرف کند، دوباره آب کمتری به عنوان مالوس دریافت خواهد کرد. امتیاز روزانه در ماتریس متعادل ذخیره می شود. در هر روزی که خانوارها از مخزن بافر درخواست آب می کنند، این درخواست ها بر اساس امتیاز آنها مرتب شده و تا زمانی که تمام درخواست ها برآورده شود یا مخزن بافر خالی شود، به ترتیب ارائه می شود.
۵٫ ارزیابی و نمونه های کاربردی
این سیستم در محله ای متشکل از ۱۰ خانه یک خانواده واقع در هانوفر آلمان آزمایش شد. شکل ۸ ترکیب، شماره گذاری، و در زمینه های خاکستری، نواحی عملکرد فردی را بر حسب متر مربع نشان می دهد. علاوه بر این، جمعیت نشان‌داده‌شده توسط مدل مصرف‌کننده با پیروی از رویکرد BN، به تفکیک جنسیت و سن ایجاد شد.
طبق EN 16941-1، داده های آب و هوای پنج سال گذشته به عنوان ورودی از سرویس هواشناسی آلمان گرفته شده است. شکل ۹ داده های میانگین بارش و دما را برای این پنج سال و همچنین بارش و دمای روزانه برای سال ۲۰۲۰ را نشان می دهد که میانه مجموعه داده ها است (جدول ۲). از آنجایی که رویدادهای بارندگی شدید در میانگین قطع می‌شوند، اما این داده‌ها به تعادل منابع در نظر گرفته شده مرتبط هستند، داده‌های ۲۰۲۰ برای شبیه‌سازی‌های زیر استفاده شد.
۵٫۱٫ مقایسه رویکردهای محاسبه تقاضا برای یک سیستم RWH فردی
برای ارزیابی تأثیر رویکرد محاسبه تقاضا، محله اشاره شده در شکل ۸ یک بار با استفاده از رویکرد BN و یک بار با استفاده از نمودار درخت مجازی پر شد. شکل ۱۰ ارزیابی ماهانه یک خانوار چهار نفره را نشان می دهد که ظرفیت مخزن، میزان آب باران و آب تمیز جمع آوری شده به عنوان درآمد و میزان تقاضای محاسبه شده را نشان می دهد. این صورت فلکی مصرف غالب است، به طوری که همیشه آب باران خودکفا نمی شود.
علاوه بر این، جدول ۲ بازده سالانه و تقاضای محاسبه شده برای خانه ۴ برای سال های ۲۰۱۸ تا ۲۰۲۲ را نشان می دهد. با مقایسه دو رویکرد محاسبه تقاضا، مصرف در محاسبه شانس با استفاده از نمودار درخت مجازی به طور متوسط ۱۵ است. بالاتر از رویکرد BN.
مدل مصرف کننده همچنین به طراحان اجازه می دهد تا پیش بینی های تقاضا را در طول زمان ایجاد کنند. در سناریویی دیگر، رویکرد BN یک جمعیت اولیه از یک خانواده دو نفره متشکل از یک مرد ۲۴ ساله و یک زن ۲۲ ساله را ایجاد کرد که هیچ یک از آنها ماشین ندارند. داده های مربوط به پیش بینی بیش از ۴۰ سال را می توان از آن گرفته شد جدول ۳. در سال نهم اولین فرزند و دو سال بعد فرزند دوم متولد می شود. در سال ۵ اولین ماشین خریداری می شود که تا سال ۳۷ در خانه می ماند. از آنجایی که با دو فرزند دیگر یک ماشین کافی نیست در سال ۱۲ ماشین دیگری خریداری می شود که بعد از ۱۸ سال فروخته می شود.
شکل ۱۱ مصرف آب برای دوش، توالت، لباسشویی و ماشین شویی را در این طرح نشان می دهد. مشاهده می‌شود که پیک تقاضای آب بیش از دو برابر مقدار اولیه است.
۵٫۲٫ شبکه اولیه آب شبکه ای در محله یک خانواده
محله نشان داده شده در شکل ۸ برای این شبیه سازی با شبکه آب شبکه ای در نظر گرفته شده است. برای فعال کردن تبادل آب اضافی، یک مخزن بافر مرکزی با ظرفیت ۱۰۰۰۰ لیتر در شبیه سازی گنجانده شد. در ابتدای دوره شبیه سازی، مخزن بافر به طور کامل پر می شود. دوره خودکفایی طبق استاندارد فوق ۲۱ روز انتخاب شد. مساحت باغی که باید آبیاری شود ۳۰ متر در نظر گرفته شد۲ برای همه خانه های یک خانواده آبیاری زمانی فعال می شود که به مدت پنج روز به دمای ۱۵ درجه برسد. جدول ۴ داده‌های شبیه‌سازی محله خانه‌های یک‌خانواده و تکمیل‌های محاسبه‌شده از منبع آب بافر و اصلی، و همچنین اندازه مخزن محاسبه‌شده برای هر ملک را نشان می‌دهد.
برای ارزیابی تعادل منابع، شکل ۱۲ ترازنامه کل محله را نشان می دهد. به طور خاص، مشاهده می‌شود که خانه‌های ۱ و ۲ در طول سال مازاد تولید می‌کنند که به دلیل تعداد کم ساکنان است، در حالی که خانه‌های ۵ و ۱۰ به طور قابل‌توجهی بیشتر از تولیدشان مصرف می‌کنند، یا به دلیل سطح عملکرد کم یا به دلیل به تعداد بالایی از ساکنان
ظرفیت حل شده روزانه مخزن بافر مرکزی نشان داده شده است شکل ۱۳. اوج بالای ۱۰۰۰۰ لیتر به دلیل بارندگی زیاد در حدود روز ۴۰ است (رجوع کنید به شکل ۹). این نشان دهنده سرریز شدن مخزن برای اهداف تمیز کردن است. تقاضای بالای آب محله نمایان می شود، زیرا آب تزریق شده در روزهای بدون بارندگی بعدی بلافاصله مصرف می شود. برای دوره طولانی خودکفایی ۲۱ روزه، اندازه مخزن بافر ۱۰۰۰۰ لیتری به طور قابل توجهی بزرگ است.
شکل ۱۴ سطح پر شدن حل شده روزانه مخزن خانه ۴ را نشان می دهد. علاوه بر این، پر شدن از منبع آب اصلی (قرمز) و مخزن بافر (سبز) در طول سال ترسیم می شود. قابل توجه است که بخش عمده ای از پر کردن آب لوله کشی است. کاهش‌های معمولی کوچک در منحنی‌های پر کردن، مانند روز ۹۸ و روز ۱۰۵، ناشی از تغذیه مجدد هفتگی آب تمیز به مخزن ذخیره است و بنابراین چرخه آب داخلی خانه ذکر شده در بخش ۳٫۲. اکنون می توان در نظر گرفت که اندازه مخزن ذخیره خانه ۴ را کاهش دهد زیرا میانگین سطح پر شدن بسیار کمتر از ۵۰٪ است.
۵٫۳٫ شبکه آب شبکه ای بهینه شده در محله خانه یک خانواده
این سیستم در حال حاضر اساساً سه راه برای بهینه سازی سیستم های RWH در شبکه ارائه می دهد. اولین مورد بررسی عدم پذیرش سینک های تکی مانند تمیز کردن ماشین است. از آنجایی که این یک متغیر طراحی واقعی نیست، بلکه یک سناریوی محاسباتی است، در زیر در نظر گرفته نشده است. دوم این است که مناطق بازده اضافی مانند سقف های سکونت یا تراس را شامل شود. و سوم، تنظیم دوره خودکفایی برای افزایش تبادل بین خصوصیات واحد و بافر. برای افزایش عملکرد در محله داده شده، خانه ۴، خانه ۵، و خانه ۱۰ گزینه های برداشت آب اضافی مانند سقف تراس (۱۵ متر) دریافت خواهند کرد.۲) و یک کانکس با دو پارکینگ (۲۵ متر۲ هر یک). خانه های ۸ و ۹ نیز حوضه آبریز را با یک اسکله دوبل گسترش می دهند. شکل ۱۵ ترازنامه به روز شده را نشان می دهد. مقدار میانگین نسبت به پیکربندی اولیه بهبود یافته است، اگرچه هنوز در محدوده منفی قرار دارد، بنابراین افزایش بیشتر در سطح عملکرد توصیه می شود.
اثر روی مخزن بافر نیز قابل مشاهده است (شکل ۱۶). اکنون سرریزها بیشتر شده و دوره هایی که مخزن کاملا خالی است کاهش یافته است. با این حال، جریان ورودی و خروجی همچنان در کمتر از فواصل منظم رخ می دهد.
شکل ۱۷ سطح پر شدن مخزن آب باران و پر شدن خانه ۴ با افزایش سطح عملکرد را نشان می دهد. اندازه مخزن آب باران حدود ۶۵ درصد افزایش یافته است، بنابراین تقاضا می تواند به طور مستقل برای مدت طولانی تری برآورده شود. در نتیجه، پر کردن از مخزن بافر و به ویژه منبع آب اصلی می تواند تقریباً در مقایسه با سناریوی اول به نصف کاهش یابد.
علاوه بر افزایش سطح محصول، کوتاه کردن دوره خودکفایی نیز اهرم دیگری است. شکل ۱۸ و شکل ۱۹ داده های مرتبط را نشان دهد. به وضوح قابل مشاهده است که تبادل بین مخازن آب باران در خصوصیات فردی و مخزن بافر به طور قابل توجهی افزایش یافته است. با این وجود، مخزن بافر هنوز در طول ماه های تابستان فقط به میزان کمی استفاده می شود.
با توجه به اندازه مخزن به طور کلی کوچکتر، پر کردن هر دو از مخزن بافر و از منبع آب اصلی افزایش یافته است. در مورد خانه ۴، مخزن اکنون ۹۷۷ لیتر است و در مقایسه با ۱۷۸۴ لیتر در سناریوی اولیه تقریباً به نصف کاهش یافته است و در مقایسه با افزایش سطح عملکرد با دوره خودکفایی ۲۱ روزه، تنها یک سوم کاهش یافته است. با این وجود، میانگین سطح پر شدن هنوز زیر ۵۰ درصد است.
جدول ۵ داده های سناریوهای شبیه سازی شده را خلاصه می کند. قابل توجه است که حتی برای دوره خودکفایی کاهش یافته، مقدار آبی که باید از منبع آب اصلی برداشت شود، نسبت به پیکربندی اولیه محله ۵۰۰۰۰ لیتر کاهش یافته است، اما با ظرفیت مخازن بیش از نصف شده است. به نظر می رسد یک همبستگی متناسب بین دوره خودکفایی و اندازه مخزن خانه وجود دارد.
۶٫ بحث
مثال های بالا کاربرد سیستم KBE پیاده سازی شده را برای طراحی سیستم های RWH شبکه ای نشان می دهد. مدل مصرف کننده اجازه می دهد تا در مورد کل مصرف آب یک خانوار بر اساس ترکیب و رفتار ساکنان آن نتیجه گیری شود. بنابراین اجازه می دهد تا سمت تقاضای توازن جرم با در نظر گرفتن عدم قطعیت در الزامات شبیه سازی شود و امکانات استانداردها و بسیاری از سیستم های موجود در ادبیات را گسترش دهد. سوالی که باقی می ماند کیفیت داده های مورد استفاده برای مدل سازی احتمالات است. برای این کار، مفروضات آماری به‌دست‌آمده از پایگاه‌های داده موجود، تمایز پروفایل‌های مختلف را بر اساس سن، جنسیت و عادات فردی امکان‌پذیر می‌سازد. نصب کنتورهای هوشمند و ثبت داده‌های آنها بر روی جریان‌های منابع در چرخه آب یک محله نمونه استاندارد، البته اندازه‌گیری را دقیق‌تر می‌کند. علاوه بر این، انتخاب مجموعه داده های آب و هوا نیز تأثیر مستقیمی بر محاسبه دارد و نشان دهنده عدم قطعیت برای پیش بینی جریان ورودی است. در سناریوی فوق، مجموعه داده‌های میانه پنج سال گذشته انتخاب شد، اما محاسبات را می‌توان برای میانگین، مرطوب‌ترین و خشک‌ترین سال‌ها نیز انجام داد و مقایسه کرد. تکمیل این با یک مولد بارندگی کاملاً کاربردی، مانند آنچه در آن ذکر شد بخش ۲٫۳، سپس امکان ارزیابی استحکام سیستم های RWH را فراهم می کند، به عنوان مثال، با تعادل جرم محاسبه شده در ده، بیست و چهل سال آینده.
محل واقعی منجر به راه های مختلفی برای اصلاح مدل می شود. در مورد حوضه آبریز، اجرای یک مدل اولین فلاش، مانند آنچه که در ارائه شده است [۶۶]، به جای مقدار ثابت، و همچنین مدلی برای ظرفیت ناودان، که حوضه آبریز را در هنگام باران شدید محدود می کند، مانند آنچه در [۲۰]، به نظر می رسد امیدوارکننده باشد که دقت پیش بینی جریان ورودی را افزایش دهد. در مورد مصرف کنندگان، مدلی برای پیش بینی آبیاری باغ در سطح پیچیده تر، که انواع مختلف بسترها و مزارع را متمایز می کند و تبخیر را برای محاسبه دقیق تر تقاضای آب آبیاری ادغام می کند، جالب خواهد بود و همچنین به معنای یکپارچه سازی است. شبیه سازی کنترل هوشمند آبیاری علاوه بر این، محاسبه نرخ تبخیر استخرها یا حوضچه‌ها در باغ و در نتیجه تجدید مورد نیاز قابل تصور است. در نهایت، کارایی سیستم RWH از نظر نشت و تلفات می تواند یکپارچه شود. در زمینه اصلاح مدل، به طور کلی تعیین اثرات تفکیک داده ها جالب خواهد بود. همانطور که از ادبیات مشخص است، به ویژه برای مخازن ذخیره سازی کوچک زیر اندازه یک متر مکعب، وضوح در سطح زیر ساعت کیفیت محاسبه تعادل جرم را به طور قابل توجهی بهبود می بخشد. در مثال های بالا چندین تانک این چالش را مطرح می کنند.
در اندیشیدن به تامین آب کاملاً غیرمتمرکز و میزان خودکفایی یک چهارم، می توان طیف وسیع تری از منابع و سینک ها را نیز در نظر گرفت. پس هدف باید کاهش بیشتر یا حتی جایگزینی مقدار آب لوله کشی از منبع آب اصلی باشد. علاوه بر گزینه های آشکار افزایش بیشتر عملکرد، حفر چاه در خصوصیات فردی یا اتصال چاه به مخزن بافر، تأسیسات تصفیه فاضلاب محلی از نقطه نظر پایداری برای افزایش بازیافت آب به ویژه جالب هستند. یک راه جایگزین برای افزایش استفاده در اینجا، توالی مصرف کنندگان مختلف است. به عنوان مثال، آب باران جمع آوری شده اولیه می تواند برای دوش گرفتن استفاده شود، و پس از فیلتر شدن سورفکتانت ها، آب همچنان می تواند برای شستشوی توالت یا آبیاری باغ استفاده شود. در مورد سینک های اضافی با تمرکز بر مناطق مسکونی، شستشوی منظم لازم سیستم فاضلاب را می توان یکپارچه کرد و همچنین با زمان هایی که مخزن بافر به خوبی پر می شود، مرتبط شد. با این حال، کاربردهای جدید از بخش ساخت و ساز نیز ممکن است جالب باشد، به ویژه در جنبه ساختمان های زیست محیطی، به عنوان مثال، ایده خنک کننده ساختمان آدیاباتیک. در این اصل خنک کننده طبیعی، آب باران به هوای خروجی ساختمان تزریق می شود و با تبخیر آن را خنک می کند. بنابراین یک مبدل حرارتی هوا به هوا هوای ساختمان را خنک می کند. در نتیجه انرژی مورد نیاز برای تهویه مطبوع ساختمان را می توان تا ۷۰ درصد کاهش داد. به ازای هر متر مکعب آب باران، ۷۰۰ کیلووات ساعت ظرفیت سرمایش امکان پذیر است [۷۶].
گام بعدی در توسعه سیستم KBE ارائه شده در کنار اصلاح مدل، گسترش با داده های ابزار دقیق قابل تنظیم، از جمله مخازن تجاری موجود، انتخاب پمپ های موجود مطابق با نیازهای آب مصرف کنندگان فردی، و محاسبه قطر لوله های لازم است. . به این ترتیب، سیستم KBE یک صورتحساب اولیه مواد را با اجزای اصلی شبکه آب تولید می کند. برای مثال، اتصال این سیستم به یک سیستم طراحی به کمک کامپیوتر سه بعدی و افزودن اطلاعاتی در مورد پیکربندی هندسی خواص، ساختمانها و موقعیت لوله‌های پایین، امکان ساخت یک ژنراتور طراحی برای شبکه‌های آب را فراهم می‌کند. سپس لوله‌کشی بخشی از داده‌های هندسی خروجی است و می‌تواند بیشتر برای شبیه‌سازی‌های هیدرولیکی و برای تجسم جریان‌های منابع در خود شبکه استفاده شود. افزودن داده‌های مرتبط در مورد فواصل نگهداری، قطعات سایش، و مواد مصرفی، مانند لایه‌های فیلتر، برای اجزای شبکه آب منفرد، باعث بهبود کیفیت برآورد هزینه خدمات می‌شود. [۷۷].
۷٫ نتیجه گیری
نویسندگان با موفقیت روش‌ها و ابزارهایی را از KBE برای طراحی‌های سیستم‌های RWH با مرزهای مختلف سیستم اعمال کردند. طراحان می توانند (۱) اثرات حوزه های مختلف حوضه آبریز را بررسی کنند یا به طور متناوب حوضه های مورد نیاز را با توجه به نیازهای رخ داده محاسبه کنند، (۲) اندازه مخازن ذخیره را تنظیم یا به حداقل برسانند و اثرات آنها را بر برداشت فردی و تبادل با بافر مرکزی، (۳) برای ارزیابی تقاضاهای داخل یک محله یا با توجه به حداکثر تقاضای آب یا توسعه زمانی در طول پیش‌بینی سالانه، و (۴) برای آزمایش حساسیت سینک‌ها و منابع منفرد به شبکه آب. برای برنامه ریزان شهری، این امکان را فراهم می کند، به عنوان مثال، تعهدات طراحی برای ساخت و ساز مسکن یا برای نوسازی شهرک ها.
در این افزایش، سیستم KBE به عنوان سیستم پشتیبانی طراحی در نظر گرفته شده است که در آن اقدامات لازم برای بهینه سازی و مقایسه پیکربندی های مختلف سیستم هنوز توسط یک طراح انسانی انجام می شود. با این حال، بهینه سازی شبکه آب محلی هنوز نیاز به تجربه دارد. برخی از متغیرهای طراحی فردی بر یکدیگر تأثیر می‌گذارند، در حالی که اقدامات فردی مانند کوتاه کردن دوره خودکفایی در نگاه اول غیرمعمول به نظر می‌رسد. برای خودکارسازی کامل طراحی، دیدگاه‌های مختلفی که در طراحی رخ می‌دهند باید در سیستم نگاشت شوند. با پیروی از اصل هوش مصنوعی توزیع شده، رویکرد سیستم چند عاملی می تواند گزینه جالبی باشد. علاوه بر این، به منظور یافتن بهینه جهانی پیکربندی سیستم و قابل توضیح و قابل اعتماد بودن، امکان پیگیری بحث و مذاکره با نمایندگان فردی را فراهم می کند. رویکرد سیستم چند عاملی همچنین می‌تواند برای مدیریت آنلاین شبکه‌های آب موجود، به عنوان مثال، یکپارچه‌سازی مدل‌های درآمدی برای آب اضافی ارائه‌شده به سایر شرکت‌کنندگان در شبکه، جالب باشد.
مشارکت های نویسنده
مفهوم سازی، PCG و SP. روش، PCG، JM و SP. نرم افزار، JM; اعتبار سنجی، PCG و SP. بررسی، PCG، JM و SP. منابع، SP; نوشتن – پیش نویس اصلی، PCG، JM و SP. نوشتن-بررسی و ویرایش، PCG و SP. تجسم، PCG، JM و SP. نظارت، PCG همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.
منابع مالی
این تحقیق هیچ بودجه خارجی دریافت نکرد.
بیانیه هیئت بررسی نهادی
قابل اجرا نیست.
بیانیه رضایت آگاهانه
قابل اجرا نیست.
بیانیه در دسترس بودن داده ها
قابل اجرا نیست.
تضاد علاقه
نویسندگان هیچ تضاد منافع را اعلام نمی کنند.
اختصارات
در این نسخه از اختصارات زیر استفاده شده است:
| BN | شبکه بیزی |
| BNT | جعبه ابزار Bayes-Net |
| CPT | جداول احتمال شرطی |
| روز | گراف غیر چرخشی کارگردانی شده |
| DWD | سرویس هواشناسی آلمان |
| KBE | مهندسی دانش بنیان |
| MFHM | حالت خانه چند خانواده |
| RWH | برداشت آب باران |
پیوست اول
جدول A1.
جدول احتمال شرطی برای گره روده تحریک پذیر.
جدول احتمال شرطی برای گره روده تحریک پذیر.
| سن | ۰-۵ | ۶-۱۳ | ۱۴-۲۴ | ۲۵-۳۹ | ۴۰-۵۹ | ≥۶۰ |
|---|---|---|---|---|---|---|
| آره | ۰٫۰۳۳ | ۰٫۰۳۳ | ۰٫۰۸۳ | ۰٫۰۹۳ | ۰٫۱۰۵ | ۰٫۱۱۹ |
| خیر | ۰٫۹۶۷ | ۰٫۹۶۷ | ۰٫۹۱۷ | ۰٫۹۰۷ | ۰٫۸۹۵ | ۰٫۸۸۱ |
جدول A2.
جدول احتمال شرطی برای گره طول مو.
جدول احتمال شرطی برای گره طول مو.
| جنسیت | مونث | نر | ||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| سن | ۰-۵ | ۶-۱۳ | ۱۴-۲۴ | ۲۵-۳۹ | ۴۰-۵۹ | ≥۶۰ | ۰-۵ | ۶-۱۳ | ۱۴-۲۴ | ۲۵-۳۹ | ۴۰-۵۹ | ≥۶۰ |
| کوتاه | ۰٫۵ | ۰٫۳ | ۰٫۳ | ۰٫۴ | ۰٫۷ | ۰٫۷۵ | ۰٫۹ | ۰٫۷ | ۰٫۷ | ۰٫۷ | ۰٫۸۵ | ۰٫۹ |
| طولانی | ۰٫۵ | ۰٫۷ | ۰٫۷ | ۰٫۶ | ۰٫۳ | ۰٫۲۵ | ۰٫۱ | ۰٫۳ | ۰٫۳ | ۰٫۳ | ۰٫۱۵ | ۰٫۱ |
جدول A3.
جدول احتمال شرطی برای گره ورزشی.
جدول احتمال شرطی برای گره ورزشی.
| سن | ۰-۵ | ۶-۱۳ | ۱۴-۲۴ | ۲۵-۳۹ | ۴۰-۵۹ | ≥۶۰ |
|---|---|---|---|---|---|---|
| آره | ۰٫۲ | ۰٫۷۵ | ۰٫۶ | ۰٫۳ | ۰٫۳ | ۰٫۲۵ |
| خیر | ۰٫۸ | ۰٫۲۵ | ۰٫۴ | ۰٫۷ | ۰٫۷ | ۰٫۷۵ |
جدول A4.
جدول احتمال شرطی برای گره بهداشتی.
جدول احتمال شرطی برای گره بهداشتی.
| جنسیت | مونث | نر | ||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| سن | ۰-۵ | ۶-۱۳ | ۱۴-۲۴ | ۲۵-۳۹ | ۴۰-۵۹ | ≥۶۰ | ۰-۵ | ۶-۱۳ | ۱۴-۲۴ | ۲۵-۳۹ | ۴۰-۵۹ | ≥۶۰ |
| آره | ۰٫۷۵ | ۰٫۷۵ | ۰٫۷۵ | ۰٫۷۵ | ۰٫۸ | ۰٫۷ | ۰٫۶ | ۰٫۶ | ۰٫۶ | ۰٫۶۵ | ۰٫۶۵ | ۰٫۶ |
| خیر | ۰٫۲۵ | ۰٫۲۵ | ۰٫۲۵ | ۰٫۲۵ | ۰٫۲ | ۰٫۳ | ۰٫۴ | ۰٫۴ | ۰٫۴ | ۰٫۳۵ | ۰٫۳۵ | ۰٫۴ |
جدول A5.
جدول احتمال شرطی برای گره محل کار.
جدول احتمال شرطی برای گره محل کار.
| جنسیت | مونث | نر | ||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| سن | ۰-۵ | ۶-۱۳ | ۱۴-۲۴ | ۲۵-۳۹ | ۴۰-۵۹ | ≥۶۰ | ۰-۵ | ۶-۱۳ | ۱۴-۲۴ | ۲۵-۳۹ | ۴۰-۵۹ | ≥۶۰ |
| در خانه | ۰٫۸ | ۰٫۵ | ۰٫۳ | ۰٫۷۵ | ۰٫۵ | ۰٫۷ | ۰٫۸ | ۰٫۵ | ۰٫۳ | ۰٫۴۵ | ۰٫۴۵ | ۰٫۷۵ |
| دور | ۰٫۲ | ۰٫۵ | ۰٫۷ | ۰٫۲۵ | ۰٫۵ | ۰٫۳ | ۰٫۲ | ۰٫۵ | ۰٫۷ | ۰٫۵۵ | ۰٫۵۵ | ۰٫۲۵ |
جدول A6.
جدول احتمال شرطی برای گره خودرو.
جدول احتمال شرطی برای گره خودرو.
| سن | ۰-۵ | ۶-۱۳ | ۱۴-۲۴ | ۲۵-۳۹ | ۴۰-۵۹ | ≥۶۰ |
|---|---|---|---|---|---|---|
| آره | ۰٫۰ | ۰٫۰ | ۰٫۵۵۲ | ۰٫۶۷۵ | ۰٫۷۹۱ | ۰٫۸۱۳ |
| خیر | ۱٫۰ | ۱٫۰ | ۰٫۴۴۸ | ۰٫۳۲۵ | ۰٫۲۰۹ | ۰٫۱۸۷ |
جدول A7.
جدول احتمال شرطی برای گره دوش.
جدول احتمال شرطی برای گره دوش.
| محل کار | صفحه اصلی | دور | ||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| بهداشت | آره | خیر | آره | خیر | ||||||||||||
| ورزشی بودن | آره | خیر | آره | خیر | آره | خیر | آره | خیر | ||||||||
| بلندای مو | طولانی | کوتاه | طولانی | کوتاه | طولانی | کوتاه | طولانی | کوتاه | طولانی | کوتاه | طولانی | کوتاه | طولانی | کوتاه | طولانی | کوتاه |
| ۰-۱۹ | ۰٫۵ | ۱٫۰ | ۰٫۵ | ۱٫۰ | ۱٫۰ | ۱٫۰ | ||||||||||
| ۲۰-۳۹ | ۰٫۱۶ | ۱٫۰ | ۱٫۰ | ۱٫۰ | ۰٫۵ | ۰٫۵ | ||||||||||
| ۴۰-۵۹ | ۱٫۰ | ۱٫۰ | ۰٫۸۴ | |||||||||||||
| ۶۰-۷۹ | ۰٫۱۶ | ۱٫۰ | ۱٫۰ | |||||||||||||
| ۸۰-۹۹ | ۰٫۸۴ | |||||||||||||||
| > ۱۰۰ | ۱٫۰ | |||||||||||||||
جدول A8.
جدول احتمال شرطی برای گره توالت.
جدول احتمال شرطی برای گره توالت.
| روده تحریک پذیر | آره | خیر | ||||||
|---|---|---|---|---|---|---|---|---|
| محل کار | صفحه اصلی | دور | صفحه اصلی | دور | ||||
| بهداشت | آره | خیر | آره | خیر | آره | خیر | آره | خیر |
| ۰-۱۹ | ۱٫۰ | ۱٫۰ | ۱٫۰ | |||||
| ۲۰-۳۹ | ۱٫۰ | ۱٫۰ | ||||||
| ۴۰-۵۹ | ۰٫۵ | ۱٫۰ | ||||||
| ۶۰-۷۹ | ۰٫۵ | |||||||
| ۸۰-۹۹ | ۰٫۵ | |||||||
| > ۱۰۰ | ۰٫۵ | |||||||
جدول A9.
جدول احتمال شرطی برای گره لباسشویی.
جدول احتمال شرطی برای گره لباسشویی.
| بهداشت | آره | خیر | ||
|---|---|---|---|---|
| ورزشی بودن | آره | خیر | آره | خیر |
| ۰-۱۹ | ۱٫۰ | ۱٫۰ | ۱٫۰ | |
| ۲۰-۳۹ | ۱٫۰ | |||
جدول A10.
جدول احتمال شرطی برای گره تمیز کردن خودرو.
جدول احتمال شرطی برای گره تمیز کردن خودرو.
| ماشین موجود | آره | خیر | ||||||
|---|---|---|---|---|---|---|---|---|
| محل کار | صفحه اصلی | دور | صفحه اصلی | دور | ||||
| جنسیت | مونث | نر | مونث | نر | مونث | نر | مونث | نر |
| ۰-۱۹ | ۱٫۰ | ۱٫۰ | ۱٫۰ | ۱٫۰ | ۱٫۰ | ۱٫۰ | ||
| ۲۰-۳۹ | ۱٫۰ | |||||||
| ۴۰-۵۹ | ۱٫۰ | |||||||
منابع
- فاستر، SSD؛ Chilton، PJ Groundwater: فرآیندها و اهمیت جهانی تخریب آبخوان. فیلوس ترانس. R. Soc. لندن. سر. B Biol. علمی ۲۰۰۳، ۳۵۸، ۱۹۵۷-۱۹۷۲٫ [Google Scholar] [CrossRef] [PubMed]
- مونتگینول، م. Rinaudo، JD; بروزوویچ، ن. دونوسو، جی. کنترل بهره برداری از آب های زیرزمینی از طریق ابزارهای اقتصادی: شیوه های فعلی، چالش ها و رویکردهای نوآورانه. یکپارچه سازی. Groundw. مدیریت ۲۰۱۶، ۵۵۱-۵۸۱٫ [Google Scholar] [CrossRef]
- گالینا، وی. تورسان، اس. کریتو، آ. اسپروتو، ا. گلید، تی. مارکومینی، A. مروری بر روش‌های چند ریسکی برای مخاطرات طبیعی: پیامدها و چالش‌ها برای ارزیابی تأثیر تغییرات آب و هوا. جی. محیط زیست. مدیریت ۲۰۱۶، ۱۶۸، ۱۲۳-۱۳۲٫ [Google Scholar] [CrossRef]
- اوینک، اچ. رحیم زاده، س. کولمن، جی. Imperiale, AJ کنفرانس آب ۲۰۲۳ سازمان ملل و مسیرهایی به سوی تحول پایدار برای جهانی امن از نظر آب. نات اب ۲۰۲۳، ۱-۴٫ [Google Scholar] [CrossRef]
- گوا، ی. Baetz، BW اندازه واحدهای ذخیره آب باران برای کاربردهای ساختمان سبز. جی هیدرول. علفزار. ۲۰۰۷، ۱۲، ۱۹۷-۲۰۵٫ [Google Scholar] [CrossRef]
- بیسینجر، م. مونتالتو، اف. مدل قابلیت اطمینان سیستم برداشت آب باران بر اساس ژنراتور بارش تصادفی ناپارامتریک. جی هیدرول. ۲۰۱۰، ۳۹۲، ۱۰۵-۱۱۸٫ [Google Scholar] [CrossRef]
- ملویل-شریو، پی. وارد، اس. باتلر، دی. گونه‌شناسی برداشت آب باران برای خانه‌های بریتانیا: تجزیه و تحلیل چند معیاره پیکربندی‌های سیستم. اب ۲۰۱۶، ۸، ۱۲۹٫ [Google Scholar] [CrossRef]
- پالمبو، ای. سیمورلی، ال. کوولی، سی. کوزولینو، ال. موچرینو، سی. Pianese, D. طراحی بهینه شبکه های زهکشی شهری. مدنی مهندس محیط زیست سیستم ۲۰۱۴، ۳۱، ۷۹-۹۶٫ [Google Scholar] [CrossRef]
- بخوانید، LK; هوگ، تی اس؛ ادگلی، آر. میکا، ک. گلد، ام. ارزیابی اثرات مدیریت آب طوفان بر رژیم های جریان در رودخانه لس آنجلس. ج. منبع آب. طرح. مدیریت ۲۰۱۹، ۱۴۵، ۵۰۱۹۰۱۶٫ [Google Scholar] [CrossRef]
- شیبو، ی. فورومای، اچ. پیشرفت در مدیریت آب طوفان شهری در ژاپن: بررسی. J. Disaster Res. 2021، ۱۶، ۳۱۰–۳۲۰٫ [Google Scholar] [CrossRef]
- میچل، وی جی. Mein، RG; مک ماهون، TA مدلسازی چرخه آب شهری. محیط زیست مدل. نرم افزار ۲۰۰۱، ۱۶، ۶۱۵-۶۲۹٫ [Google Scholar] [CrossRef]
- کولر، ام. باخ، PM; رامیرز-لورینگ، دی. دلتیک، الف. چارچوب‌بندی طراحی شهری حساس به آب به عنوان بخشی از فرم شهری: بررسی انتقادی ابزارها برای بهترین برنامه‌ریزی. محیط زیست مدل. نرم افزار ۲۰۱۷، ۹۶، ۲۶۵-۲۸۲٫ [Google Scholar] [CrossRef]
- شارما، ا. گاردنر، تی. بیگبی، دی. رویکردهای طراحی شهری حساس به آب: پتانسیل، طراحی، سلامت اکولوژیکی، سبز شدن شهری، اقتصاد، سیاست ها و ادراکات جامعه; انتشارات وودهد: ساوستون، بریتانیا، ۲۰۱۸٫ [Google Scholar] [CrossRef]
- لی، اچ. دینگ، ال. رن، م. لی، سی. وانگ، اچ. ساخت شهر اسفنجی در چین: بررسی چالش ها و فرصت ها. اب ۲۰۱۷، ۹، ۵۹۴٫ [Google Scholar] [CrossRef]
- نگوین، تی تی. Ngo، HH; گوو، دبلیو. وانگ، XC; رن، ن. لی، جی. دینگ، جی. لیانگ، اچ. اجرای یک مدیریت خاص آب شهری – شهر اسفنجی. علمی کل محیط. ۲۰۱۹، ۶۵۲، ۱۴۷-۱۶۲٫ [Google Scholar] [CrossRef]
- Cascone، S. طراحی بام سبز: وضعیت هنر در زمینه فناوری و مواد. پایداری ۲۰۱۹، ۱۱، ۳۰۲۰٫ [Google Scholar] [CrossRef]
- شفیق، م. کیم، آر. رفیق، ام. مزایای بام سبز، فرصت ها و چالش ها – مروری. تمدید کنید. حفظ کنید. انرژی Rev. 2018، ۹۰، ۷۵۷-۷۷۳٫ [Google Scholar] [CrossRef]
- رادیچ، م. برکوویچ دودیگ، م. اور، تی. نماهای سبز و دیوارهای زنده – مروری که طبقه بندی انواع ساخت و ساز و نقشه برداری از مزایای آن را ایجاد می کند. پایداری ۲۰۱۹، ۱۱، ۴۵۷۹٫ [Google Scholar] [CrossRef]
- لوکاس، اس. کومبز، پی. Sharma, A. تاثیر الگوهای مصرف روزانه آب، مدیریت تقاضا و مخازن آب باران بر طراحی شبکه تامین آب. علوم آب تکنولوژی تامین آب ۲۰۱۰، ۱۰، ۶۹-۸۰٫ [Google Scholar] [CrossRef]
- اوماپاتی، س. پزانیتی، دی. بیچم، اس. ویلی، دی. Sharma، A. اندازه سیستم های برداشت آب باران خانگی با استفاده از شاخص های عملکرد اقتصادی برای پشتیبانی از سیستم های تامین آب. اب ۲۰۱۹، ۱۱، ۷۸۳٫ [Google Scholar] [CrossRef]
- رمزی، ای. پسانتز، جی. فسایی، مک. دی کارلو، ام. مونرو، جی. Berglund، EZ یک شبکه آب هوشمند برای تجارت خرد آب باران: تجزیه و تحلیل امکان سنجی هیدرولیک. اب ۲۰۲۰، ۱۲، ۳۰۷۵٫ [Google Scholar] [CrossRef]
- کامپیسانو، آ. باتلر، دی. وارد، اس. برنز، ام جی. فریدلر، ای. دیباسک، ک. فیشر-جفس، LN; غیسی، ای. رحمان، ع. فورومای، اچ. و همکاران سیستم های جمع آوری آب باران شهری: تحقیق، اجرا و چشم اندازهای آینده Water Res. 2017، ۱۱۵، ۱۹۵-۲۰۹٫ [Google Scholar] [CrossRef] [PubMed]
- شلاق، دی. وارد، اس. کرشاو، تی. باتلر، دی. Eames، M. جمع آوری آب باران قوی: اندازه مخزن احتمالی برای سازگاری با تغییرات آب و هوا. J. آب و هوا. تغییر دادن ۲۰۱۴، ۵، ۵۲۶-۵۳۹٫ [Google Scholar] [CrossRef]
- DIN EN 16941-1:2022-09; سیستم‌های آب غیر آشامیدنی در محل – بخش ۱: سیستم‌های استفاده از آب باران (پیش نویس). Beuth: برلین، آلمان، ۲۰۲۲٫
- LaRocca، G. مهندسی مبتنی بر دانش: بین هوش مصنوعی و CAD. بررسی یک فناوری مبتنی بر زبان برای پشتیبانی از طراحی مهندسی Adv. مهندس آگاه کردن. ۲۰۱۲، ۲۶، ۱۵۹-۱۷۹٫ [Google Scholar] [CrossRef]
- گمبارسکی، رایانه شخصی؛ Lachmayer, R. Product-Service-Systems: چه چیزی و چرا توسعه دهندگان می توانند از سفارشی سازی انبوه بیاموزند. Enterp. مدل. Inf. سیستم آرشیت. (EMISAJ) 2018، ۱۳، ۱۶٫ [Google Scholar] [CrossRef]
- هاپگود، AA سیستم های هوشمند برای مهندسان و دانشمندان; مطبوعات CRC: بوکا راتون، فلوریدا، ایالات متحده آمریکا، ۲۰۲۱٫ [Google Scholar] [CrossRef]
- Skarka, W. کاربرد روش MOKA در ایجاد مدل مولد با استفاده از CATIA. مهندس Appl. آرتیف. هوشمند ۲۰۰۷، ۲۰، ۶۷۷-۶۹۰٫ [Google Scholar] [CrossRef]
- میلتون، ن. فن آوری های دانش; پلی متریکا، ناشر علمی بین المللی: مونزا، ایتالیا، ۲۰۰۸٫ [Google Scholar]
- گمبارسکی، رایانه شخصی؛ پلپرت، اس. Lachmayer, R. اتخاذ تصمیمات طراحی تحت عدم قطعیت: استدلال احتمالی و طراحی محصول قوی. جی. اینتل. Inf. سیستم ۲۰۲۱، ۵۷، ۵۶۳-۵۸۱٫ [Google Scholar] [CrossRef]
- مک درموت، تی. دلاورنتیس، دی. بلینگ، پی. بلکبرن، ام. استخوان، M. AI4SE و SE4AI: یک نقشه راه تحقیقاتی. بینش، بصیرت، درون بینی ۲۰۲۰، ۲۳، ۸-۱۴٫ [Google Scholar] [CrossRef]
- استارک، آر. فریزمن، سی. Lindow, K. توسعه و بهره برداری از Digital Twins برای سیستم ها و خدمات فنی. CIRP Ann. 2019، ۶۸، ۱۲۹-۱۳۲٫ [Google Scholar] [CrossRef]
- Gembarski، PC معنی مدل سازی فضای راه حل و پیکربندی محصول مبتنی بر دانش برای سیستم های خدمات هوشمند. که در مجموعه مقالات معماری و فناوری سیستم های اطلاعاتی: مجموعه مقالات چهلمین سالگرد کنفرانس بین المللی معماری و فناوری سیستم های اطلاعات – ISAT 2019; Springer: برلین/هایدلبرگ، آلمان، ۲۰۱۹؛ ص ۲۸-۳۷٫ [Google Scholar] [CrossRef]
- شرایبر، جی. آکرمانز، اچ. Anjewierden، A. دی هوگ، آر. شادبولت، ن. وان دی ولده، دبلیو. ویلینگا، بی. مهندسی و مدیریت دانش: روش شناسی رایج KADS; مطبوعات MIT: کمبریج، MA، ایالات متحده آمریکا، ۲۰۰۰٫ [Google Scholar]
- چه، ال. مورتنسن، NH; ریس، جی. شخصی سازی محصول; Springer: برلین/هایدلبرگ، آلمان، ۲۰۰۸٫ [Google Scholar] [CrossRef]
- فلفرنیگ، آ. هاتز، ال. باگلی، سی. Tiihonen، J. (1999). پیکربندی مبتنی بر دانش: از تحقیق تا موارد تجاری; Newnes: لندن، بریتانیا، ۲۰۱۴٫ [Google Scholar]
- بارتاک، آر. سالیدو، MA; روسی، F. تکنیک های رضایت محدودیت در برنامه ریزی و زمان بندی. J. Intel. Manuf. 2010، ۲۱، ۵-۱۵٫ [Google Scholar] [CrossRef]
- فون هیپل، ای. ابزارهای کاربر برای نوآوری. J. Prod. نوآوری. مدیریت بین المللی انتشار تولید توسعه دهنده مدیریت دانشیار ۲۰۰۱، ۱۸، ۲۴۷-۲۵۷٫ [Google Scholar] [CrossRef]
- Zhang، LL پیکربندی محصول: مروری بر تحقیقات پیشرفته و آینده. بین المللی J. Prod. Res. 2014، ۵۲، ۶۳۸۱–۶۳۹۸٫ [Google Scholar] [CrossRef]
- گمبارسکی، رایانه شخصی؛ Lachmayer, R. درجات سفارشی سازی و سیستم های پشتیبانی فروش – توانمندسازهای پایداری در سفارشی سازی انبوه. در مجموعه مقالات بیستمین کنفرانس بین المللی طراحی مهندسی (ICED 15) جلد ۱: طراحی برای زندگی، میلان، ایتالیا، ۲۷ تا ۳۰ ژوئیه ۲۰۱۵٫ [Google Scholar]
- هاینریش، ام. اخیرا، EW پارادایم مبتنی بر منبع: پیکربندی سیستم های فنی از اجزای مدولار; مطبوعات AAAI: پالو آلتو، کالیفرنیا، ایالات متحده آمریکا، ۱۹۹۶٫ [Google Scholar]
- هیرز، م. دیتریش، دبلیو. Gfrerrer، A.; لانگ، جی. طراحی یکپارچه به کمک کامپیوتر در توسعه خودرو; Springer: برلین/هایدلبرگ، آلمان، ۲۰۱۳٫ [Google Scholar] [CrossRef]
- کائتانو، آی. سانتوس، ال. Leitão، A. طراحی محاسباتی در معماری: تعریف طراحی پارامتریک، مولد و الگوریتمی. پیشانی. آرشیت. Res. 2020، ۹، ۲۸۷–۳۰۰٫ [Google Scholar] [CrossRef]
- چاکرابارتی، ا. شی، ک. استون، آر. کیگان، جی. کمپبل، ام. هرناندز، NV; Wood، KL تحقیقات سنتز طراحی مبتنی بر کامپیوتر: یک مرور کلی. جی. کامپیوتر. Inf. علمی مهندس ۲۰۱۱، ۱۱. [Google Scholar] [CrossRef]
- تدسکی، ا. لومباردی، دی. طراحی به کمک الگوریتم ها (AAD). که در معماری آگاه; Springer: برلین/هایدلبرگ، آلمان، ۲۰۱۸; صص ۳۳-۳۸٫ [Google Scholar] [CrossRef]
- بیدرمن، ام. Meboldt, M. سنتز طراحی محاسباتی نازل های چند جریانی ساخته شده از مواد افزودنی. او اضافه می کند. Manuf. 2020، ۳۵، ۱۰۱۲۳۱٫ [Google Scholar] [CrossRef]
- مولر، پی. گمبارسکی، رایانه شخصی؛ Lachmayer، R. سنتز توپولوژی پارامتریک یک اندوپرتز هیپ شفت کوتاه بر اساس استخوان شناسی خاص بیمار. که در به سوی سفارشی سازی پایدار: پل زدن محصولات هوشمند و سیستم های تولید; Springer: برلین/هایدلبرگ، آلمان، ۲۰۲۱؛ صص ۶۶۹-۶۷۶٫ [Google Scholar] [CrossRef]
- فوکس، دی. بارتز، آر. کوشمیتز، اس. Vietor, T. پیشرفت های ضروری در طراحی به کمک کامپیوتر برای استفاده از آزادی طراحی تولید افزودنی. بین المللی J. تعامل. دس Manuf. (IJIDeM) 2022، ۱-۱۹٫ [Google Scholar] [CrossRef]
- مارکوس، اس. McDermott, J. SALT: زبان اکتساب دانش برای سیستم‌های پیشنهاد و بازنگری. آرتیف. هوشمند ۱۹۸۹، ۳۹، ۱-۳۷٫ [Google Scholar] [CrossRef]
- چاندراسکاران، ب. حل مسئله طراحی: تحلیل تکلیف. AI Mag. 1990، ۱۱، ۵۹٫ [Google Scholar] [CrossRef]
- اولمان، DG تصمیم گیری قوی برای طراحی مهندسی. J. Eng. از. ۲۰۰۱، ۱۲، ۳-۱۳٫ [Google Scholar] [CrossRef]
- چالوپنیک، ام جی. وین، دی سی؛ رویکردهای کلارکسون، پی جی برای کاهش تأثیر عدم قطعیت در فرآیندهای توسعه. در مجموعه مقالات DS 58-1: مجموعه مقالات ICED 09، هفدهمین کنفرانس بین المللی طراحی مهندسی، جلد ۱، فرآیندهای طراحی، پالو آلتو، کالیفرنیا، ایالات متحده آمریکا، ۲۴-۲۷ اوت ۲۰۰۹٫ صص ۴۵۹-۴۷۰٫ [Google Scholar]
- گمبارسکی، رایانه شخصی؛ Lachmayer, R. چارچوب گونه‌شناختی تجاری برای مدیریت پیچیدگی محصول. که در مدیریت پیچیدگی; Springer: برلین/هایدلبرگ، آلمان، ۲۰۱۷; صص ۲۳۵-۲۴۷٫ [Google Scholar] [CrossRef]
- ونانزی، آی. Materazzi، AL بهینه سازی قوی یک سیستم کنترل هیبریدی برای ساختمان های بلند در معرض باد با توزیع جرم نامشخص. سازه هوشمند. سیستم ۲۰۱۳، ۱۲، ۶۴۱-۶۵۹٫ [Google Scholar] [CrossRef]
- جردن، MI یادگیری در مدل های گرافیکی; Springer Science & Business Media: برلین/هایدلبرگ، آلمان، ۱۹۹۸; جلد ۸۹٫ [Google Scholar]
- Lauritzen، SL; Spiegelhalter، DJ محاسبات محلی با احتمالات در ساختارهای گرافیکی و کاربرد آنها در سیستم های خبره. JR Stat. Soc. سر. ب (روش.) ۱۹۸۸، ۵۰، ۱۵۷-۱۹۴٫ [Google Scholar] [CrossRef]
- Devore، JL; برک، KN آمار ریاضی مدرن با برنامه های کاربردی; اسپرینگر: نیویورک، نیویورک، ایالات متحده آمریکا، ۲۰۱۲٫ [Google Scholar] [CrossRef]
- راسل، اس. نورویگ، پی. هوش مصنوعی – رویکردی مدرن، ویرایش سوم؛ پیرسون: لندن، بریتانیا، ۲۰۱۶٫ [Google Scholar] [CrossRef]
- کورب، KB; نیکلسون، AE هوش مصنوعی بیزی; مطبوعات CRC: بوکا راتون، فلوریدا، ایالات متحده آمریکا، ۲۰۱۰٫ [Google Scholar]
- مورفی، KP جعبه ابزار Net bayes برای Matlab. محاسبه کنید. علمی آمار ۲۰۰۱، ۳۳، ۱۰۲۴-۱۰۳۴٫ [Google Scholar]
- شاهان، د. Seepersad، شبکه‌های بیزی سی سی برای طراحی مشارکتی مبتنی بر مجموعه. جی. مکانیک. دسامبر ۲۰۱۲، ۱۳۴۰۷۱۰۰۱٫ [Google Scholar] [CrossRef]
- وانگ، ی. بلاش، آر. ژنگ، پی. Xu, X. یک سیستم مدیریت دانش برای پشتیبانی از طراحی برای ساخت افزودنی با استفاده از شبکه‌های بیزی. جی. مکانیک. دسامبر ۲۰۱۸، ۱۴۰۰۵۱۷۰۱٫ [Google Scholar] [CrossRef]
- جونز، جی. شیانگ، ی. جوزف، اس. بیزی استدلال احتمالی در طراحی. در مجموعه مقالات کنفرانس IEEE Pacific Rim on Communications Computers and Signal Processing, Victoria, BC, Canada, 19-21 May 1993; جلد ۲، ص ۵۰۱–۵۰۴٫ [Google Scholar] [CrossRef]
- حنفی، م. المراقی، اچ. استنتاج وابستگی ویژگی‌های محصولات با استفاده از شبکه‌های بیزی برای طرح‌های محصول جدید. در مجموعه مقالات چهل و چهارمین کنفرانس بین المللی CIRP در مورد سیستم های تولید (ICMS 2011)، مدیسون، WI، ایالات متحده آمریکا، ۱-۳ ژوئن ۲۰۱۱٫ صص ۱-۳٫ [Google Scholar]
- سمعان، م. روز، SD; گاروین، م. راماکریشنان، ن. پیرس، الف. اندازه بهینه سیستم های برداشت آب باران برای مصارف آب خانگی: مروری بر ادبیات سیستماتیک. منبع. حفظ کنید. بازیافت. ایکس ۲۰۲۰، ۶، ۱۰۰۰۳۳٫ [Google Scholar] [CrossRef]
- Coombes، PJ Rainwater Tanks Revisited: فرصت های جدید برای مدیریت چرخه آب شهری. Ph.D. پایان نامه، دانشگاه نیوکاسل، نیوکاسل، NSW، استرالیا، ۲۰۰۲٫ [Google Scholar]
- وارگاس، دی. دومینگز، آی. وارد، اس. Oviedo-Ocana، ER کمک به متخصصان جمع آوری آب باران جهانی: یک ابزار پشتیبانی تصمیم برای انتخاب روش اندازه مخزن تحت عدم قطعیت. محیط زیست علمی Water Res. تکنولوژی ۲۰۱۹، ۵، ۵۰۶–۵۲۰٫ [Google Scholar] [CrossRef]
- از ۱۹۸۹-۱۰۰:۲۰۲۲-۰۷; سیستم های برداشت آب باران – بخش ۱۰۰: مقررات در ارتباط با DIN EN 16941-1. Beuth: برلین، آلمان، ۲۰۲۲٫
- BS 8515; BS 8515: 2009 سیستم های برداشت آب باران – کد عمل. گروه BSI: لندن، انگلستان، ۲۰۰۹٫
- Fewkes، A. مدل سازی عملکرد سیستم های جمع آوری آب باران: به سوی یک رویکرد تعمیم یافته. آب شهری ۲۰۰۰، ۱، ۳۲۳-۳۳۳٫ [Google Scholar] [CrossRef]
- کومبز، پی جی. Barry, ME تأثیر انتخاب گام‌های زمانی و فرضیات میانگین بر شبیه‌سازی مستمر استراتژی‌های برداشت آب باران. علوم آب تکنولوژی ۲۰۰۷، ۵۵، ۱۲۵-۱۳۳٫ [Google Scholar] [CrossRef]
- مورالس-پینزون، تی. ریرادوال، جی. گازول، سی ام؛ گابارل، X. مدل سازی برای هزینه اقتصادی و تجزیه و تحلیل زیست محیطی سیستم های برداشت آب باران. جی. پاک. تولید ۲۰۱۵، ۸۷، ۶۱۳-۶۲۶٫ [Google Scholar] [CrossRef]
- جونز، نماینده مجلس؛ Hunt, WF عملکرد سیستم های جمع آوری آب باران در جنوب شرقی ایالات متحده. منبع. حفظ کنید. بازیافت. ۲۰۱۰، ۵۴، ۶۲۳-۶۲۹٫ [Google Scholar] [CrossRef]
- کاول، آر.جی. داوید، AP; Lauritzen، SL; جا آینه، دی جی شبکه های احتمالی و سیستم های خبره; Springer: برلین/هایدلبرگ، آلمان، ۱۹۹۹٫ [Google Scholar] [CrossRef]
- هوانگ، سی. دارویچه، الف. استنتاج در شبکه های اعتقادی: راهنمای رویه ای. بین المللی J. تقریبا. دلیل. ۱۹۹۶، ۱۵، ۲۲۵-۲۶۳٫ [Google Scholar] [CrossRef]
- مفاهیم مدیریت آب باران: سبز شدن ساختمان، خنک سازی ساختمان. راهنمای برنامه ریزی، ساخت، بهره برداری و نگهداری; گزارش فنی؛ برلین/وزارت توسعه شهری سنا، ارتباطات؛ وزارت توسعه شهری سنا: برلین، آلمان، ۲۰۱۰٫
- کلوک-شرایبر، دی. دومارکاس، ال. گمبارسکی، رایانه شخصی؛ Lachmayer, R. غنی سازی مدل های هندسی CAD برای پیکربندی سرویس. که در مجموعه مقالات کارگاه CEUR مجموعه مقالات ۲۴۶۷; RWTH: آخن، آلمان، ۲۰۱۹؛ جلد ۲۴۶۷، ص ۲۲-۲۹٫ [Google Scholar] [CrossRef]
شکل ۱٫
نمایش یک نمودار با احتمالات مرتبط، اقتباس شده از [۵۸]: (آ) BN بدون مدرک؛ (ب) BN با شواهدی از چمن مرطوب.
نمایش یک نمودار با احتمالات مرتبط، اقتباس شده از [۵۸]: (آ) BN بدون مدرک؛ (ب) BN با شواهدی از چمن مرطوب.
شکل ۱٫
نمایش یک نمودار با احتمالات مرتبط، اقتباس شده از [۵۸]: (آ) BN بدون مدرک؛ (ب) BN با شواهدی از چمن مرطوب.
نمایش یک نمودار با احتمالات مرتبط، اقتباس شده از [۵۸]: (آ) BN بدون مدرک؛ (ب) BN با شواهدی از چمن مرطوب.
شکل ۲٫
شبکه بیزی برای تعیین کل مصرف آب
شبکه بیزی برای تعیین کل مصرف آب
شکل ۳٫
مراحل الگوریتم درخت اتصال (اقتباس از [۷۵]): (آ) شبکه بیزی؛ (ب) نمودار مثلثی؛ (ج) درخت پیوند.
مراحل الگوریتم درخت اتصال (اقتباس از [۷۵]): (آ) شبکه بیزی؛ (ب) نمودار مثلثی؛ (ج) درخت پیوند.
شکل ۳٫
مراحل الگوریتم درخت اتصال (اقتباس از [۷۵]): (آ) شبکه بیزی؛ (ب) نمودار مثلثی؛ (ج) درخت پیوند.
مراحل الگوریتم درخت اتصال (اقتباس از [۷۵]): (آ) شبکه بیزی؛ (ب) نمودار مثلثی؛ (ج) درخت پیوند.
شکل ۴٫
مدل دینامیک سیستم برای نمای ایزوله از واحد مسکونی.
مدل دینامیک سیستم برای نمای ایزوله از واحد مسکونی.
شکل ۵٫
مدل دینامیک سیستم برای یک محله.
مدل دینامیک سیستم برای یک محله.
شکل ۶٫
دنباله برنامه اسکریپت.
دنباله برنامه اسکریپت.
شکل ۷٫
پنجره های ورودی برای انتخاب مکان و وارد کردن پارامترهای خانه: (آ) انتخاب مکان؛ (ب) پارامترهای خانه.
پنجره های ورودی برای انتخاب مکان و وارد کردن پارامترهای خانه: (آ) انتخاب مکان؛ (ب) پارامترهای خانه.
شکل ۷٫
پنجره های ورودی برای انتخاب مکان و وارد کردن پارامترهای خانه: (آ) انتخاب مکان؛ (ب) پارامترهای خانه.
پنجره های ورودی برای انتخاب مکان و وارد کردن پارامترهای خانه: (آ) انتخاب مکان؛ (ب) پارامترهای خانه.
شکل ۸٫
محله ای با ۱۰ خانه تک خانوادگی که بر اساس جنسیت و سن جمعیت دارند.
محله ای با ۱۰ خانه تک خانوادگی که بر اساس جنسیت و سن جمعیت دارند.
شکل ۹٫
سناریوی آب و هوا هانوفر ۲۰۲۰ (داده ها بر اساس DWD).
سناریوی آب و هوا هانوفر ۲۰۲۰ (داده ها بر اساس DWD).
شکل ۱۰٫
ارزیابی متلب یک خانوار چهار نفره در خانه ۴٫
ارزیابی متلب یک خانوار چهار نفره در خانه ۴٫
شکل ۱۱٫
مصرف آب یک خانوار بالای ۴۰ سال
مصرف آب یک خانوار بالای ۴۰ سال
شکل ۱۲٫
ترازنامه (منابع و سینک) محله یک خانواری اولیه.
ترازنامه (منابع و سینک) محله یک خانواری اولیه.
شکل ۱۳٫
حجم مخزن بافر محله یک خانواده خانه (دوره Autarky = 21 روز).
حجم مخزن بافر محله یک خانواده خانه (دوره Autarky = 21 روز).
شکل ۱۴٫
ظرفیت مخزن خانه ۴ (دوره Autarky = 21 روز).
ظرفیت مخزن خانه ۴ (دوره Autarky = 21 روز).
شکل ۱۵٫
ترازنامه (منابع و سینک) محله بهینه سازی شده یک خانواده.
ترازنامه (منابع و سینک) محله بهینه سازی شده یک خانواده.
شکل ۱۶٫
حجم مخزن بافر محله به روز شده (دوره Autarky = 21 روز).
حجم مخزن بافر محله به روز شده (دوره Autarky = 21 روز).
شکل ۱۷٫
ظرفیت مخزن خانه ۴ با افزایش بازده (دوره خودداری = ۲۱ روز) است.
ظرفیت مخزن خانه ۴ با افزایش بازده (دوره خودداری = ۲۱ روز) است.
شکل ۱۸٫
حجم مخزن بافر محله به روز شده (دوره Autarky = 7 روز).
حجم مخزن بافر محله به روز شده (دوره Autarky = 7 روز).
شکل ۱۹٫
ظرفیت مخزن خانه ۴ با افزایش بازده (دوره Autarky = 7 روز).
ظرفیت مخزن خانه ۴ با افزایش بازده (دوره Autarky = 7 روز).
میز ۱٫
احتمال سن ساکنین.
احتمال سن ساکنین.
| سن | ۰-۵ | ۶-۱۳ | ۱۴-۲۴ | ۲۵-۳۹ | ۴۰-۵۹ | ≥۶۰ |
| احتمال | ۰٫۰۶ | ۰٫۰۷ | ۰٫۱۱ | ۰٫۱۹ | ۰٫۲۸ | ۰٫۲۹ |
جدول ۲٫
مروری بر نتایج ارزیابی خانه ۴٫
مروری بر نتایج ارزیابی خانه ۴٫
| ۲۰۱۸ | ۲۰۱۹ | ۲۰۲۰ | ۲۰۲۱ | ۲۰۲۲ | میانگین | |
|---|---|---|---|---|---|---|
| شانس بازده/BN [l/a] | ۳۱۶۲۵ | ۴۲,۳۸۲ | ۳۵۶۵۸ | ۴۶۹۵۳ | ۳۲۹۱۰ | ۳۷۹۰۶ |
| شانس تقاضا [l/a] | ۷۲۶۷۲ | ۶۷,۸۷۲ | ۷۰,۲۷۲ | ۷۰,۲۷۲ | ۶۷,۸۷۲ | ۶۹۷۹۲ |
| تقاضای BN [l/a] | ۶۳,۱۵۶ | ۵۸,۳۵۶ | ۶۰,۷۵۶ | ۶۰,۷۵۶ | ۵۸,۳۵۶ | ۶۰,۲۷۶ |
| حجم مخزن [l] | ۱۴۸۹ | ۲۰۵۲ | ۱۷۸۴ | ۲۴۶۱ | ۱۶۳۸ | ۱۸۸۵ |
جدول ۳٫
پیش بینی بیش از ۴۰ سال یک خانواده.
پیش بینی بیش از ۴۰ سال یک خانواده.
| سال | ۱ | ۵ | ۱۰ | ۱۵ | ۲۰ | ۲۵ | ۳۰ | ۳۵ | ۴۰ |
|---|---|---|---|---|---|---|---|---|---|
| مرد سن | ۲۴ | ۲۸ | ۳۳ | ۳۸ | ۴۳ | ۴۸ | ۵۳ | ۵۸ | ۶۳ |
| زن سن | ۲۲ | ۲۶ | ۳۱ | ۳۶ | ۴۱ | ۴۶ | ۵۱ | ۵۶ | ۶۱ |
| سن فرزند اول (مرد) | ۱ | ۶ | ۱۱ | ۱۶ | ۲۱ | ۲۶ | ۳۱ | ||
| سن فرزند دوم (مونث) | ۴ | ۹ | ۱۴ | ۱۹ | ۲۴ | ۲۹ | |||
| اولین ماشین | خیر | آره | آره | آره | آره | آره | آره | آره | خیر |
| ماشین دوم | خیر | خیر | خیر | آره | آره | آره | خیر | خیر | خیر |
جدول ۴٫
داده های شبیه سازی محله یک خانواده-خانه.
داده های شبیه سازی محله یک خانواده-خانه.
| متغیرهای طراحی | دوره Autarky 21 روزه | ||||||
|---|---|---|---|---|---|---|---|
| خیر | منطقه بازده [m] | ساکنان | درآمد [l] | مصرف [l] | بافر [l] | خط لوله [l] | ظرفیت مخزن [l] |
| ۱ | ۱۰۰ | ۱ | ۳۵۶۸۲ | ۱۰,۹۲۰ | ۸۰٫۸۹ | ۳۵۱۶ | ۲۱۰ |
| ۲ | ۱۰۰ | ۲ | ۳۶,۴۸۹ | ۲۲۰۸۰ | ۸۰٫۳۶ | ۳۳۸۱ | ۸۴۰ |
| ۳ | ۱۰۰ | ۴ | ۳۵۷۵۹ | ۳۶۹۶۰ | ۳۱۴٫۶۳ | ۱۰۵۹۶ | ۱۶۸۰ |
| ۴ | ۹۵ | ۴ | ۳۴,۳۶۹ | ۶۰,۰۶۱ | ۲۱۱۲ | ۲۷,۷۲۱ | ۱۷۸۴ |
| ۵ | ۴۰ | ۴ | ۱۴۹۳۶ | ۷۱۶۱۱ | ۱۵,۲۶۸ | ۴۱۲۳۴ | ۷۹۶ |
| ۶ | ۱۰۰ | ۴ | ۳۶۶۶۹ | ۴۸۷۵۰ | ۹۸۹٫۶۸ | ۱۶,۴۸۵ | ۱۸۸۴ |
| ۷ | ۱۰۰ | ۴ | ۳۶,۳۳۳ | ۶۰,۳۰۱ | ۲۴۱۳ | ۲۵,۰۹۵ | ۱۹۲۶ |
| ۸ | ۱۰۰ | ۴ | ۳۶,۲۴۹ | ۶۷۵۰۱ | ۲۹۰۷ | ۳۱,۹۴۸ | ۱۹۰۱ |
| ۹ | ۱۰۰ | ۵ | ۳۶۱۸۳ | ۱۰۲,۱۵۰ | ۱۲۷۰۰ | ۵۴,۴۵۷ | ۱۸۴۲ |
| ۱۰ | ۱۰۰ | ۶ | ۳۶۱۸۳ | ۹۳,۹۳۱ | ۱۰۹۸۳ | ۴۸,۴۵۸ | ۱۸۴۲ |
| ۳۳۸,۸۵۲ | ۵۷۴۲۶۵ | ۴۷,۸۴۹ | ۲۶۲,۸۹۱ | ۱۴۷۰۵ | |||
جدول ۵٫
داده های چهارم محله یک خانواری با افزایش سطح محصول.
داده های چهارم محله یک خانواری با افزایش سطح محصول.
| متغیرهای طراحی | دوره Autarky 21 روزه | دوره Autarky 7 روزه | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| خیر | منطقه بازده [m] | ساکنان | درآمد [l] | مصرف [l] | بافر [l] | خط لوله [l] | ظرفیت مخزن [l] | بافر [l] | خط لوله [l] | ظرفیت مخزن [l] |
| ۱ | ۱۰۰ | ۱ | ۳۵۶۸۲ | ۱۰,۹۲۰ | ۲۵۴٫۷۴ | ۳۳۴۳ | ۲۱۰ | ۱۴۶۱ | ۳۸۲۳ | ۷۰ |
| ۲ | ۱۰۰ | ۲ | ۳۶,۴۸۹ | ۲۲۰۸۰ | ۸۳٫۲۵ | ۳۳۷۸ | ۸۴۰ | ۱۵۱۸ | ۶۵۷۳ | ۲۸۰ |
| ۳ | ۱۰۰ | ۴ | ۳۵۷۵۹ | ۳۶۹۶۰ | ۵۸۵٫۵۱ | ۱۰,۳۲۵ | ۱۶۸۰ | ۲۸۴۷ | ۱۲,۸۳۲ | ۵۶۰ |
| ۴ | ۱۶۰ | ۴ | ۵۷,۳۳۴ | ۶۰,۰۶۱ | ۹۰۸٫۲۶ | ۱۵,۴۱۲ | ۲۹۳۲ | ۳۵۹۸ | ۲۰۵۸۰ | ۹۷۷ |
| ۵ | ۱۰۵ | ۴ | ۳۷۹۰۲ | ۷۱۶۱۱ | ۸۸۸۴ | ۲۸,۴۴۳ | ۱۹۹۳ | ۱۳,۰۸۳ | ۲۸,۵۳۱ | ۶۶۴ |
| ۶ | ۱۰۰ | ۴ | ۳۶۶۶۹ | ۴۸۷۵۰ | ۳۰۵۸ | ۱۴,۴۱۷ | ۱۸۸۴ | ۵۲۱۶ | ۱۷,۰۲۵ | ۶۲۸ |
| ۷ | ۱۰۰ | ۴ | ۳۶,۳۳۳ | ۶۰,۳۰۱ | ۶۶۴۰ | ۲۰,۸۶۸ | ۱۹۲۶ | ۹۳۰۶ | ۲۲۶۳۸ | ۶۴۲ |
| ۸ | ۱۵۰ | ۴ | ۵۳۹۱۵ | ۶۷۵۰۱ | ۱۹۸۵ | ۲۱,۵۳۸ | ۲۸۲۲ | ۵۷۵۷ | ۲۴,۷۰۷ | ۹۴۱ |
| ۹ | ۱۵۰ | ۵ | ۵۳,۸۴۹ | ۱۰۲,۱۵۰ | ۱۲۸۶ | ۴۰,۳۰۸ | ۲۷۶۴ | ۱۸۶۶۸ | ۴۰۸۰۵ | ۹۲۱ |
| ۱۰ | ۱۶۵ | ۶ | ۵۹,۱۴۸ | ۹۳,۹۳۱ | ۸۳۱۰ | ۳۴,۴۶۶ | ۳,۰۴۰ | ۱۳,۵۶۹ | ۳۶,۰۲۷ | ۱۰۱۳ |
| ۴۴۳,۰۸۰ | ۵۷۴۲۶۵ | ۳۱,۹۹۵ | ۱۹۲,۴۹۸ | ۲۰,۰۹۱ | ۷۵,۰۲۳ | ۲۱۳,۵۴۱ | ۶۰۹۶ | |||
|
سلب مسئولیت/یادداشت ناشر: اظهارات، نظرات و داده های موجود در همه نشریات صرفاً متعلق به نویسنده (ها) و مشارکت کننده (ها) است و نه MDPI و/یا ویرایشگر(ها). MDPI و/یا ویراستار(های) مسئولیت هرگونه آسیب به افراد یا دارایی ناشی از هر ایده، روش، دستورالعمل یا محصولات اشاره شده در محتوا را رد می کنند.
|
