پیش بینی ابعاد آبشستگی در حوضچه ی استغراق سرریزهای سرویس با روش‌های هوش مصنوعی.
Subject Areas : Irrigation and Drainageعلی لشکرآرا 1 , سارا خرم زاده 2
1 - دانشجوی دکتری، گروه مهندسی منابع آب، واحد شوشتر، دانشگاه آزاد اسلامی، شوشتر، ایران.
2 - دانش آموخته کارشناسی ارشد، گروه سازه های آبی، پردیس علوم و تحقیقات واحد خوزستان، دانشگاه آزاد اسلامی، اهواز، ایران.
Keywords:
Abstract :
پیش بینی دقیق ابعاد حفره آبشستگی در پایین دست سازه های هیدرولیکی از جمله سرریزهای جامی شکل، به دلیل پیچیدگی های ناشی از بررسی همه جانبه و همزمان جریان حاوی آب و رسوب و اعمال کلیه متغیرهای مؤثر در پدیده آبشستگی به سادگی میسر نمی باشد. ابعاد حفره آبشستگی اغلب با استفاده از معادلات تجربی تعیین میگردد که این روابط در محدوده خاصی از داده ها و شرایط آزمایش پاسخگو می باشد. از آنجایی که ساخت مدل فیزیکی مشکلات و محدودیت هایی به همراه دارد و معمولا در تعیین نگاشت میان پارامتر های مؤثر بر آبشستگی نمی توان اثر دقیق همه پارامترها را در نظر گرفت، لذا در مقاله حاضر بهینه یابی ابعاد حفره آبشستگی برای مجموعه ای از مشاهده ها آزمایشگاهی محققان قبلی طراحی شده است. در این تحقیق ازشبکه عصبی مصنوعی و سیستم تطبیقی عصبی- فازی بهره گیری شده و نتایج آن با معادله حاصل از روش رگرسیون غیرخطی بین داده های مشابه و همچنین فرمول های تجربی پیش بینی حداکثر عمق آبشستگی مقایسه شده است. نتایج این تحقیق حاکی از دقت و برتری قابل ملاحظه سیستم تطبیقی عصبی - فازی با حداکثر خطای 2/5 درصد نسبت به نتایج حاصل از مدل شبکه عصبی و معادله رگرسیون غیرخطی و فرمول تجربی با حداکثر خطا به ترتیب 38/10، 42/12 و 05/14 درصد میباشد.
اسدی سریزدی، م.ح. قدسیان، م. (1377). تعیین اثر شعاع جام پرتابی ساده در عمق آبشستگی پایین دست سرریزها. پایان نامه کارشناسی ارشد، دانشگاه تربیت مدرس.
اسدیانی یکتا، ا. سلطانی، ف. (1385). مقایسه کاربرد شبکه تطبیقی عصبی-فازی با شبکه عصبی مصنوعی در پیشبینی جریان رودخانه زاینده رود. هفتمین سمینار مهندسی رودخانه، دانشگاه شهید چمران اهواز.
تاج کریمی، د. قدسیان، م. (1383). تحلیل آبشستگی بستر ناشی از جت های ریزشی و کاربرد شبکه عصبی مصنوعی در آن. پایان نامه کارشناسی ارشد، دانشگاه تربیت مدرس.
طارقیان، ر. کاشفی پور، س.م. (1385). پیشبینی سطح آب در مخزن با استفاده از سیستم استنتاج فازی-عصبی تطبیقی. هفتمین سمینار بین المللی مهندسی رودخانه، دانشگاه شهید چمران اهواز.
منتظر، م. قدسیان،م. (2002). ارائه روشی هوشمند به منظور برآورد حداکثر عمق آبشستگی دماغه آبشکنها با استفاده از شبکه عصبی مصنوعی. ششمین سمینار مهندسی رودخانه، دانشگاه شهید چمران اهواز.
نصیری صالح، ف. منتظر، غ. (1380). تعیین ابعاد حفره آبشستگی پایین دست سرریزهای ریزشی آزاد با استفاده از روش شبکه عصبی مصنوعی. سومین کنفرانس هیدرولیک ایران، دانشکده فنی دانشگاه تهران.
Azmathullah, H. MD., and Deo, M.N, Deolalikar, PB, (2005). Neural Networks for estimation of scour downstream of a Ski-Jump bucket. Journal of Hydraulic Engineering. ASCE,131,10, pp: 898-908
Bateni, S. M., and Borghei, S.M. and Jeng, D. S. (2007). Neural network and neuro-fuzzy assessments for scour depth around bridge piers. Engineering Applications of Artificial Intelligence, pp: 401-414.
Borman N. E., and Julien, P. Y. (1991). Scour downstream of grade-control structure. J. Hydraul. Eng., 117, 5, pp: 579-594.
Breusers, H. N. C. and A. J. Raudkivi. (1991). Scouring. Hydraulic structure design manual, No 2 IAHR. Balkema. 143p.
U.S. Bureau of Reclamation. (1965). Design of Small Dams.
Grishin, M. M. (1982). Hydraulic Structures, Mir Publisher, Moscow, Vol. 1,2.
Jang, J. S. R. (1993). ANFIS: Adaptive Network based Fuzzy Interface System. IEEE Trans., Man and cybernetics, 22, 3, pp: 665-685.
Lippmann, R. P. (1987). An Introduction to Computing with Neural Nets.IEEE ASSP Magazine, pp: 4-22.
Robinson, K. M., Hanson, G. J., and Cooke, K. R., (1998). Velocity field measurements at an overfall, American Society of Agricultural Engineering., No.982063.
Rouse, H., (1940). Criteria for Similarity in the transportation of sediment. Studies in Engineering Bullentin. University of IWA, 20, pp: 33-49.
Trent, R., Gagarin, N., and Rhodes, J. (1993). Estimating pier scour with artificial neural networks.Proc., Hydraulic Engineering 1993, ASCE, New York, pp: 1043-1048.
