تخمین عمق آبشستگی سازههای کنترل شیب با سرریز لبه تیز با استفاده از مدلهای هوش مصنوعی
محورهای موضوعی : مقالات برگرفته از پایان نامه
شهرام موسوی
1
(استادیار، گروه مهندسی عمران، واحد میانه، دانشگاه آزاد اسلامی، میانه، ایران.)
کلید واژه: آبشستگی, شبکه عصبی, سرریز لبه تیز, ماشین بردار پشتیبان, سیستم عصبی فازی تطبیقی,
چکیده مقاله :
چکیده مقدمه: عدم قطعیت پارامترهای فیزیکی فرایند عمق آبشستگی پایین‌دست سازههای کنترل شیب با سرریز لبه تیز، نتایج مدلسازی را تحت تأثیر قرار میدهند. روش: در این تحقیق، از روشهای هوش مصنوعی برای تخمین مقدار عمق آبشستگی سازه های کنترل شیب با سرریز لبه تیز به دلیل پیچیدگی پدیده استفاده شد. از سه مدل شبکه عصبی، سیستم عصبی فازی تطبیقی و ماشین بردار پشتیبان به‌عنوان روشهای هوش مصنوعی یا جعبه سیاه برای حل مسئله استفاده گردید. به‌منظور شبیه سازی عمق آبشستگی در سازههای کنترل شیب با سرریز لبه تیز از 225 داده استفاده شد. در تمامی مدلها، از 70 درصد دادهها برای واسنجی و از 30 درصد دادهها برای صحت سنجی در روشهای هوش مصنوعی استفاده به عمل آمد. یافته ها: آنالیز حساسیت نسبت به پارامترهای ورودی در هر سه مدل پیشنهادی نشان داد که اعمال پارامترهای عرض سرریز، ارتفاع ریزش آب، ارتفاع آب روی تاج، اختلاف ارتفاع آب در بالادست و پایین دست، قطر متوسط ذرات و عمق آب در پایین دست، کارایی مدلها را بهبود میدهد. در تخمین میزان عمق آبشستگی پایین‌دست سازههای کنترل شیب با سرریز لبه تیز در هر دو مرحله واسنجی و صحت سنجی، مدل سیستم عصبی فازی تطبیقی نسبت به مدل شبکه عصبی تا 20 درصد و نسبت به مدل ماشین بردار پشتیبان تا 5/8 درصد بر اساس معیارهای رایج در ارزیابی مدلها، قابلیت اطمینان بیشتری دارد که این امر میتواند به دلیل توانایی تئوری فازی در غلبه بر عدم قطعیت پارمترهای موثر در تخمین میزان عمق آبشستگی باشد. نتیجه گیری: نتایج مدلسازی میزان عمق آبشستگی پایین‌دست سازههای کنترل شیب با سرریز لبه تیز با استفاده از مدلهای هوش مصنوعی نشان میدهد که کارایی این مدلها در پیش‌بینی مقادیر آبشستگی مناسب هستند و نسبت به روشهای تجربی رایج در زمینه دقیقتر میباشند که این امر میتواند به علت غیرخطی و پیچیده بودن طبیعت مسئله باشد.
Abstract Introduction: In free overfall spillways, waterfalls over the crown of the spillway almost vertically and impacts the downstream bed of the dams. Due to the high velocity and energy of the flow which impacts the erodible downstream bed, it may cause scouring close to the foundation of the dam and consequently threaten the stability of the dam. Methods: In this study, artificial intelligence methods were used to estimate the scour depth of slope control structures with sharp-crested weir due to the complexity of the phenomenon. Three models including neural network, adaptive fuzzy neural system, and support vector machine (SVM) were used as artificial intelligence or black-box model to solve the problem.. Findings: The results showed that artificial intelligence methods are more efficient than conventional experimental methods in estimating the depth of downstream scours of slope control structures with sharp-crested weir. Using more parameters in the input of artificial intelligence models does not increase the accuracy of these models. It is because of increasing errors as a result of using more parameters in these models. In estimating the downstream scour depth of slope control structures with the sharp-crested weir in both calibration and validation stages, an adaptive fuzzy neural system model is up to 20% more reliable than the artificial neural network model and up to 8.5% than the support vector machine model.
1. D'Agostino, V., and Ferro, V. (2004). Scour on alluvial bed downstream of grade-control structures. Journal of Hydraulic Engineering, 130(1), 24-37.
2. Doddiah, D., Albertson, M. L., and Thomas, R. ~1953!. ''Scour from jets.'' Proc., 5th Congr. Int. Assoc. for Hydraulic Res., Minneapolis, September, 161-169.
3. Rouse, H. ~1940!. ''Criteria for similarity in the transportation of sediment.'' Studies in engineering bull., Univ. of Iowa, 20, 33-49.
4. Mason, P. J., and Arumugam, K. ~1985!. ''Free jet scour below dams and flip buckets.'' J. Hydraul. Eng., 111~2!, 220-235.
5. Hoffmans, G.J.C.M. 1998. Jet scour in equilibrium phase. Journal of Hydraulic Engineering., 124(4): 430-437.
6. Rajaratnam, N., and Mazurek, K. 2003. Erosion of sand by circular impinging water jets with small tailwater. Journal of Hydraulic Engineering., 129(3):225-229.
7. Salehzadeh, M., Hemmati, M., Yasi, M., & lanzoni, S. (2021). The Effect of Height and Crest Slope of the Submerged Weirs on Erosion and Sedimentation Pattern in a [90]^ o Sharp Bend. Iranian Journal of Soil and Water Research, 52(3), 621-633.
8. Solbi, M., Dehghani, A. A., Meftah Halaghi, M., & Zahiri, A. Z. (2021). Estimation of maximum scour depth downstream of stilling basin (Case study: Masonary check dam of Ziarat basin). Journal of Hydraulics, 16(1), 81-92.
9. Ahadiyan, J. (2020). Experimental investigation of the effective parameters in design of non-phase hydraulic jet in reduction of 90 degrees bend scour. Modares Civil Engineering journal, 20(4), 179-190.
10. Roushangar, K., Akhgar, S., Erfan, A., and Shiri, J. (2016). Modeling scour depth downstream of grade-control structures using data driven and empirical approaches. Journal of Hydroinformatics, 18(6), 946-960.
11. Nourani, V., Mousavi, S., Sadikoglu, F., and Singh, V. P. (2017). Experimental and AI-based numerical modeling of contaminant transport in porous media. Journal of contaminant hydrology, 205, 78-95.
12. Singh, R. M. and Datta, B. (2007), Artificial Neural Network Modeling for Identification of Unknown Pollution Sources in Groundwater with Partially Missing Concentration Observation Data, Water Resources Management, 21, 557-572.
13. Nourani, V., Mogaddam, A. A. and Nadiri, A. O. (2008), An Ann-Based Model for Spatiotemporal Groundwater Level Forecasting, Hydrological Processes, 22, 5054-5066.
14. Li, X. and Tsai, F. T.-C. (2009), Bayesian Model Averaging for Groundwater Head Prediction and Uncertainty Analysis Using Multimodel and Multimethod, Water resources research, 45(9).
15. Taormina, R. and Chau, K.-W. (2014), Neural Network River Forecasting with Multi-Objective Fully Informed Particle Swarm Optimization, Journal of Hydroinformatics, 17(1), 99-113.
16. Foddis, M. L., Ackerer, P., Montisci, A. and Uras, G. (2015), Ann-Based Approach for the Estimation Aquifer Pollutant Source Behaviour, Water Science and Technology: Water Supply, 15(6), 1285-1294.
17. Nourani, V., Alami, M. T. and Vousoughi, F. D. (2015), Wavelet-Entropy Data Pre-Processing Approach for Ann-Based Groundwater Level Modeling, 524, 255-269
18. Nourani, V. and Andalib, G. (2015), Daily and Monthly Suspended Sediment Load Predictions Using Wavelet Based Artificial Intelligence Approaches, Journal of Mountain Science, 12(1), 85-100.
19. Govindaraju, R. S. (2000), Artificial Neural Networks in Hydrology. Ii: Hydrologic Applications, Journal of Hydrologic Engineering, 5, 124-137.
20. Hornik, K., Stinchcombe, M. and White, H. (1989), Multilayer Feedforward Networks Are Universal Approximators, Neural Networks, 2, 359-366.
21. Jang, J.-S. R., Sun, C.-T. and Mizutani, E. (1997), Neuro-Fuzzy and Soft Computing; a Computational Approach to Learning and Machine Intelligence, Prentice-Hall.
22. Kacprzyk, J. and Pedrycz, W. (2015), Springer Handbook of Computational Intelligence, Springer.
23. Jang, J.-S. R. and Sun, C.-T. (1995), Neuro-Fuzzy Modeling and Control, Proceedings of the IEEE, 83, 378-406.
24. Cortes, C., and Vapnik, V. (1995). Support-vector networks. Machine learning, 20(3), 273-297.
25. Chen, S. T., and Yu, P. S. (2007). Real-time probabilistic forecasting of flood stages. Journal of Hydrology, 340(1-2), 63-77.
26. Legates, D. R. and McCabe, G. J. (1999), Evaluating the Use of 'Goodness-of-Fit' Measures in Hydrologic and Hydroclimatic Model Validation, Water Resources Research, 35, 233-241.
27. Haykin, S. and Lippmann, R. (1994), Neural Networks, a Comprehensive Foundation, International Journal of Neural Systems, 5, 363-364.
28. Nourani, V., & Mousavi, S. (2016). Spatiotemporal groundwater level modeling using hybrid artificial intelligence-meshless method. Journal of Hydrology, 536, 10-25.
_||_