رویکرد شبیه سازی-بهینه‌سازی جهت تعیین مشخصات بهینه ی سدهای تأخیری پاره سنگی در شرایط سیلابی
محورهای موضوعی : مقالات برگرفته از پایان نامه
نفیسه خرم شکوه
1
(دانش‌آموخته کارشناس ارشد سازه‌های آبی، بخش مهندسی آب، دانشکده کشاورزی، دانشگاه شیراز)
محمدرضا نیکو
2
(هیئت علمی دانشگاه شیراز)
سید محمد علی زمردیان
3
(دانشیار بخش مهندسی آب، دانشکده کشاورزی، دانشگاه شیراز)
کلید واژه: سد تأخیری پارهسنگی, شبکه عصبی پرسپترون چندلایه, فرامدل, مدل بهینه‌سازی الگوریتم ژنتیک, مخلوط رسوبات چسبنده و غیرچسبنده,
چکیده مقاله :
سدهای تأخیری پارهسنگی از جمله روشهای سازهای مهار کردن سیلاب هستند که هیچ هسته یا غشاء نفوذناپذیری نداشته و به طور عمده جهت مهار سیلاب به کار میروند. این سدها بدهی اوج سیلاب عبوری را کاهش داده و در زمان وقوع آن تأخیر ایجاد مینمایند؛ بدینترتیب خسارات جانی و مالی سیل را در پاییندست، کمتر میکنند. شاید بتوان گفت برای اولینبار، روششناسی جدیدی برای تدوین یک نمونهی شبیه‌سازی-بهینه‌سازی جهت تعیین مشخصات بهینهی سدهای تأخیری پارهسنگی در این پژوهش ارائه گردیده است. نمونهی مذکور، برمبنای فرانمونهی شبکه عصبی مصنوعی پرسپترون چندلایه، و نمونهی بهینه‌سازی الگوریتم ژنتیک استوار است. بدین‌منظور، در ابتدا، از دادههای منتج از آزمایشهای مربوط به نمونهی آزمایشگاهی محیط متخلخل پارهسنگی، مربوط به خرمشکوه (1391) جهت آموزش و اعتبارسنجی نمونهی شبکهی عصبی پرسپترون چندلایه استفاده شده است. در ادامه، با اتصال نمونهی شبکهی عصبی مصنوعی صحت‌سنجی شده به عنوان یک فرانمونهی شبیهساز رفتار هیدرولیکی سد پارهسنگی، به نمونهی بهینه‌سازی الگوریتم ژنتیک، نمونهی شبیه‌سازی- بهینه‌سازی، بهمنظور تعیین مشخصات بهینهی سد تأخیری پارهسنگی با لحاظ تعامل بین متغیرهای طراحی و آبنگار سیل عبوری از سد تأخیری پارهسنگی، تدوین گردید. نتایج حاصل از روششناسی پیشنهادشده، نشان میدهند که ضخامت بهینهی محاسبهشده مربوط به محیط متخلخل پارهسنگی، بازاء جمیع بدهی سیلاب‌های محتمل، 6/17 سانتیمتر بوده و همچنین قطر متوسط بهینهی سنگدانههای تعبیه شده در بدنه، 2 سانتیمتر حاصل گردیده است. همچنین، بازاء مقادیر بهینهی طراحی، بدهی اوج آبنگار سیل عبوری از محیط متخلخل پارهسنگی %18/47 کاهش یافته است و طول مدت سیلاب نیز در شرایط بهینه، %94/39 افزایش داشته است.
Detention rockfill dams are one of the structural methods that can control flood risks with no impermeable core or membrane. These dams decrease the maximum discharge of flood hydrograph and postpone the time of its occurrence reducing life and financial losses in downstream. In this research study, maybe for the first time, a new methodology based on Multi-Layer Perceptron (MLP) artificial neural network meta-model and genetic algorithm optimization model is proposed for optimum design of detention rockfill dam. Hence, results of experiments done on the rockfill dam model, from Khorramshokouh (1391), are used in order to train and validate the MLP neural network model. The MLP neural network model is in fact a meta-model of simulating the hydraulic performance of detention rockfill dam which is linked to genetic algorithm optimization model to determine the optimal features of detention rockfill dam regarding the relationship between design variables and flood hydrograph passed through the porous media. Results of the proposed methodology depict that for the total discharges of probable floods, the optimum thickness of detention rockfill dam and the mean diameter of rockfills in the porous media are 17.6 cm and 2 cm, respectively. Also, in the optimum state, the peak discharge of flood hydrograph has 47.18% reduction and flood duration increases 39.94%.
1) Barton, J.M.h. and Buchberger, S.G. 2007. Effect of Media Grain Shape on Particle Straining During Filtration. Journal of Environmental Engineering. ASCE. 2:211-219.
2) Ding, Y. and Wang, S.S.Y. 2012. Optimal Control of Flood Diversion in Watershed Using Nonlinear Optimization. Advances in Water Resources. 44:30-48.
3) Dudgeon, C.R. 1967. Flow of Water Through Coarse Granular Materials. University of New South Wales Water Research Laboratory Report. No. 76.
4) Forchheimer P.H. 1901. Wasserbewegun durch boden, zeitschrift des vereins deutscher ingenieure. 49:1736-1749 and 50:1781-1788.
5) Franca M.J. and Almeida A.B. 2004. A Computational Model of Rockfill Dam Breaching Caused by Overtopping (RoDaB). Journal of Hydraulic Research. 2:197-206.
6) Khorramshokouh, N. 2013. Optimal Thickness and Transmission Capacity of Cohesive and Non-Cohesive Sediment in Detention Rockfill Dam. School of Agriculture, Shiraz University (In Persian).
7) Leps, T.M. 1973. Flow Through Rockfill Embankment Dam Engineering Casagrande. Edited bschfeld, R.C. and Poulos, S.J. John Wiley & Sons. PP. 87-107.
8) Nikoo, M.R. and Khorramshokouh, N. 2017. Multi-Objective Optimization of Detention Rockfill Dam Characteristics Considering Hydraulic Conditions and Application of Borda Count Social Choice and Nash- Harsanyi Bargaining Models. Water and Soil Knowledge. 26(2): 13-25 (In Persian).
9) Nikoo, M.R., Khorramshokouh, N. and Monghasemi, S. 2015. Optimal Design of Detention Rockfill Dams Using a Simulation-based Optimization Approach With Mixed Sediment In The Flow. Water Resources Management, 29(15): 5469-5488.
10) Park, C.H., Joo, J.G. and kim, J.H. 2012. Integrated Washland Optimization Model for Flood Mitigation Using Multi-Objective Genetic Algorithm. Journal of Hydro-Environment Research. 6:119-126.
11) Samani, J. M.V., Samani, H.M.V. and Shaiannejad, M. 2004. Reservoir Routing With Outflow Through Rockfill Dams. IAHR Journal of Hydraulic Research. 42:435-439.
12) Scheidegger, A.E. 1974. The Physics of Flow Through Porous Media (3rd edn). University of Toronto Press. PP. 152-170.
13) Wilkins, J.K. 1956. Flow of Water Through Rockfill and Its Application to The Design of Dam. Proceedings of the second Australian New Zealand conference on soil mechanic and foundation engineering. pp. 141-149.
14) Yazdi, J. and Salehi Neyshabouri, S.A.A. 2014. Identifying Low Impact Development Strategies for Flood Mitigation Using A Fuzzy-Probabilistic Approach. Environmental Modeling & Software. 60:31-44.
Zomorodian, S.M.A. and Zahed, M. 2007. Optimization of Rockfill Dam Thickness Using Monte Carlo method. International River Engineering
_||_