تخمین عمق آبشستگی سازههای کنترل شیب با سرریز لبه تیز با استفاده از مدلهای هوش مصنوعی
محورهای موضوعی : برگرفته از پایان نامه
1 - استادیار، گروه مهندسی عمران، واحد میانه، دانشگاه آزاد اسلامی، میانه، ایران.
کلید واژه:
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.