بررسی عملکرد شبکه‌های عصبی مصنوعی در برآورد بیشترین ژرفای آبشستگی پیرامون آبشکن ها

محورهای موضوعی : برگرفته از پایان نامه

پیام خسروی نیا ¹ , حبیب صیادی ² , علی حسین زاده دلیر ³ , داود فرسادی زاده ⁴ , رسول میرعباسی نجف آبادی ⁵

1 - دانشجوی دکترای مهندسی آب دانشگاه تبریز
2 - دانشجوی دکترای مهندسی آب دانشگاه تبریز
3 - دانشیار مهندسی آب دانشگاه تبریز
4 - دانشیار مهندسی آب دانشگاه تبریز
5 - دانشجوی دکترا مهندسی آب دانشگاه تبریز

تاریخ دریافت : 1394/10/18 تاریخ پذیرش : 1394/10/18 تاریخ انتشار : 1390/10/01

کلید واژه: شبکه های عصبی, آب شستگی, آب شکن, شبکه های پرسپترون چند لایه,

چکیده مقاله :

یکی از عوامل اصلی ویرانی آبشکن‌ها آبشستگی می‌باشد که فرآیندی بسیار پیچیده است. پیچیدگی الگوی جریان پیرامون آبشکنها و گوناگونی عوامل مؤثر بر آبشستگی، موجب پرشماری روابط تجربی و کاهش دامنه‌ی هر یک از آنها، به‌دلیل محدودیت شرایط آزمایشگاهی می‌شود. در این تحقیق امکان استفاده از شبکه‌های پرسپترون چندلایه(MLP) برای برآورد بیشترین ژرفای آبشستگی پیرامون سه نوع آبشکن شامل آبشکنهایی با دیواره‌ی عمودی،‌ بالدار و نیم‌دایره‌ای مورد مطالعه قرار گرفتند. دستاوردهای شبیه شبکه عصبی مصنوعی با نتایج به‌دست آمده از رابطه‌ی تجربی پیشنهادی به‌وسیله‌ی باربهیوا و دی(2004) مقایسه گردیدند. هشت نمایشنامه بر اساس فراسنجهای مؤثر و شبکه‌های با ورودیهای مختلف برای پیش‌بینی ژرفای آبشستگی تعریف شدند. مقایسه‌‌ی نتایج نمایشنامه‌های مختلف نشان دادند که نمایشنامه ای که تنها از دو فراسنج و برای برآورد ژرفای آبشستگی در پیرامون آبشکن استفاده می‌کند، از عملکرد بهتری برخوردار است. همچنین، نتایج تحلیل حساسیت نشان دادند که فراسنجهای و بیشترین تأثیر را در پیش‌بینی ژرفای آبشستگی آبشکن دارند. مقایسه نتایج شبیه شبکه‌های عصبی و مقادیر محاسبه شده از رابطه‌ی تجربی با داده‌های آزمایشگاهی نشان دادند که مقادیر بیشترین ژرفای آبشستگی به‌دست آمده از روش شبکه‌های عصبی مصنوعی از دقت بیشتری نسبت به رابطه-ی تجربی برخوردارند. همچنین، دقت شبکه‌های عصبی مصنوعی در برآورد ژرفای آبشستگی پیرامون آبشکنهای با دیواره‌ی عمودی در مقایسه با دو نوع آبشکن دیگر بیشتر است.  

منابع و مأخذ:

1. Anonymous. 2007. Neural networktoolbox 5, User’s guide, 9thprinting version 5. The MathworksInc. Massachusetts, USA.

2. Azaraderakhsh, M., Ghodsiyan, M.,Norouzi, H. R.(1385). EstimationMaximum Depth of Scour around

Abutments Using Artificial NeuralNetwork", 7th InternationalCongeress of civil engineering,University of Tarbiat Modares,Tehran.(In Persian)

3. Azmathullah, HM., Deo, MC.,Deolalikar, PB. 2005. Neuralnetwork for estimation of scourdownstream of a skew-jumpbucket. , J. Hydraul. Eng,131(10):898-908.

4. Azmathullah, HM., Deo, MC.,Deolalikar, PB. 2006. Estimationof scour below spillways usingneural network scour downstreamof a skew-jump bucket. , J.Hydraul. Eng, 44(1):61-69.

5. Basheer, IA., and Hajmeer, M.2000. Artificial neural networks:fundamentals, computing, design,

and application. J MicrobiologicMeth 43: 3-31.

6. Barbhuya, AK., Dey, S. 2004.Local scour at abutment: a review.Sadhana. 29(5):449-476.

7. Dehghani, A. A., Hashemi Najafi,S. F., Ayoubzadeh, S. A.,Meshkati, M. E. (1388). IntelligentEstimation of Maximum ScourDepth around L-shapedAbutments Using Artificial NeuralNetwork and Interference NeroFuzzy

System. Journal of Soil andWater Conservation, 16(1), 143-161.(In Persian)

8. Ettema, R., and. Muste., M. 2003.An Overview of Scour Types andScour-Estimation DifficultiesFaced at Bridge Abutments. IIHR,Hydroscience and Engineering.Department of Civil andEnvironmental Engineering. TheUniv. of Iowa, Iowa City, IA52242.

9. Haykin, S. 1999. Neural networks:A comprehensive foundation. NJ.Prentice-Hall Inc. EnglewoodCliffs. pp. 842.

10. Jain, SK., Singh, VP., F.ASCE andvan Genuchten, MTh. 2004.Analysis of soil water retentiondata using artificial neuralnetworks. J. Hydrol. Engin.ASCE. 9 (5): 415-420.

11. Jeng, DS., Bateni, SM., Locket, E.2005. Neural network Assessmentfor Scour Depth around BridgePiers. Research Report NO R855,Department Of Civil Engineering,University Of Sydney, Australia.pp.89.

12. Kambekar, AR., Deo, MC. 2003.Estimation of Group Pile ScourUsing Neural Networks. AppliedOcean Res. 25:225-234.

13. Kuhnle, R. A., Alonso, C. V., andShields, F. D. 1999. Geometry ofscour holes associated with 90°spur dikes. J. Hydraul.Engin.,125(9):972–978.

14. Li, WX., Dai, LF., Hou, XB., Lei,W. 2007. Fuzzy GeneticProgramming Method for Analysisof Ground Movements Due toUnderground Mining.International Journal of RockMechanics and Mining Sciences.44(6):954-961.

15. Lin, JY., Cheng, CT., Chau, KW.2006. Using support vectormachines for long-term dischargeprediction. J. Hydrolog. Engin.51(4):599-612.

16. Liriano, SL., Day, RA. 2001.Prediction of scour depth at culvertoutlets using neural networks. J.Hydraul Engin, 3(4):231-238.

17. Melville, BW. 1992. Local scourat bridge abutments. J. Hydraul.Engin, 118(4):615-631

18. Sayyadi, H., Sadradini, A. A.,Farsadizadeh, D., Ghorbani, M. A.(1388). Intelligent Simulation ofSprinkler water DistributionPattern of Individual Variation inWind. Journal of Irrigation andDrainage of Iran.1 (3):25-35. (InPersian).

19. Zaghloul, N.A. 1983. Local scouraround spur-dikes. J. Hydrology.,60. 123-140.