پیش‌بینی ضریب زبری کانال‌های روباز با بستر فرسایشی با استفاده از سیستم‌های عصبی مصنوعی

نوع مقاله : مقاله کامل پژوهشی

نویسندگان

1 دانشکده مهندسی عمران، دانشگاه تبریز

2 دانشگاه آزاد اهر

چکیده

در هیدرولیک رودخانه‌ها، بستر متحرک بوده و مقاومت در برابر جریان یا ضریب زبری متغیر است. در این حالت، نمی­توان رابطه مقاومت را به طور مستقیم و بدون آگاهی از نحوة تغییر ضریب مقاومت در شرایط مختلف جریان و رسوب، به کار برد. با توجه به تأثیر پارامترهای متعدد در ضریب زبری، تاکنون رابطه قطعی جهت محاسبه ضریب زبری ارائه نشده است. در این تحقیق، ابتدا آزمایشات لازم در کانالی در حالت فرم بستر دون متعادل جهت به دست آوردن داده­های هیدرولیکی مورد نیاز ترتیب داده شد. سپس با استفاده از شبکه­های عصبی پیش­خور و شعاع مبنا از یک سو و نیز شبکه­های عصبی- فازی از سوی دیگر، مقدار ضریب زبری مانینگ برای هر دو حالت بابعد و بی­بعد پیش­بینی گردید. نتایج حاصله نشان داد که شبکه عصبی قابلیت و کارایی بالایی در شبیه­سازی ضریب زبری بستر داشته و مدل عصبی- فازی با وجود کارایی بهتر نسبت به شبکه­های شعاع مبنا دارای عملکرد ضعیف­تری در مقایسه با شبکه پیش­خور است. با توجه به نتایج حاصل از تحلیل حساسیت مشخص شد که پارامتر مستقل  Reبرای ضریب زبری با بعد و پارامتر مستقل  R/D50برای ضریب زبری بی­بعد بیشترین تأثیر را بر روی ضریب زبری دارند. به لحاظ کمی نیز در بهترین حالت ارزیابی آزمون نرم­افزار Matlab، برای شبکه پیش­خور در حالت با تابع هدف بی­بعد 935/0 R= و 908/1 MNE= و در حالت با تابع هدف با بعد 941/0 R=، 04/2 MNE=، برای شبکه شعاع مبنا با تابع هدف بی­بعد 8/0R=  و 029/0 MNE= و در حالت تابع هدف با بعد 83/0 R=  و 0229/0 MNE= و نهایتاً برای شبکه عصبی- فازی در حالت با تابع هدف بی­بعد 912/0 R= و 662/2 MNE= و برای حالت با تابع هدف بابعد 922/0 R= و 472/2 MNE= مشاهده گردید که دقت بالای پیش بینی­ها را نشان می­دهد.

کلیدواژه‌ها


عنوان مقاله [English]

Simulation of Open Channel Flow Resistance with Movable Bed Using Artificial Neural Network

نویسندگان [English]

  • Kiyoumars Roushangar 1
  • Saeid Mohammad Pour 2
1 Faculty of Civil Engineering, Tabriz University
2 Azad University of Ahar

کلیدواژه‌ها [English]

  • Manning Roughness coefficient
  • Movable bed
  • Back prop neural network
  • Radial Basis network
  • ANFIS
]1 [شفاعی­بجستان، م.، "هیدرولیک انتقال رسوب"، دانشگاه شهید چمران اهواز، 1387.
]2 [محمودیان شوشتری، م. ونیسی، ق.، "تخمین ضریب زبری مانینگ در بازه­ای از کارون بزرگ با روش­های مختلف"، پنجمین کنفرانس هیدرولیک ایران، دانشگاه شهید باهنر کرمان، 17-19 آبان، 1384، ص 1-7.
]3 [لشته­نشایی، م. ا.، حاتمی، م.، "بررسی عوامل مؤثر بر برخی روابط تعیین کننده ضریب زبری"، ششمین کنفرانس هیدرولیک ایران، دانشگاه شهرکرد، 13-15 شهریور، 1386، ص 1-2.
[4]   Afzalimehr, H., Anctil, F., "Estimation of Gravel-Bed River Flow Resistance", Journal of Hydraulic Engineering, 1998, 124 (10), 1054-1058.
[5]   Yuhong, Z., Wenxin, H., "Application of Artificial Neural Network to Predict the Friction Factor of Open Channel Flow", Journal of Communication in Nonlinear Science and Numerical Simulation, 2009, 14, 2373-2378.
[6]   Şamandar, A., "A model of Adaptive Neural-Based Fuzzy Inference System (ANFIS) For Prediction of Friction Coefficient in Open Channel Flow", Journal of Scientific Research and Essays, 2011, 6 (5), 1020-1027.
[7]   Yen, B. C., "Channel Flow Resistance; Centennial of Manning’s Formula", Water Resources  Publications,  Colorado, US, 2006.
[8] Kuan, C. M.,. "Artificial Neural Network: An Economic Perspective", Journal of Econometric Reviews, 1994, 13, 1-91.
[9]   Haykin, S., "Neural Network: a Comprehensive Foundation", New York, 1994.
[10] Karayiannis, N. B., Venetsanopoulos, A. N., "Artificial Neural Network: Learning Algorithms Performance Evaluation and Applications", Kluwer Academic Publishers, Boston, London, 1993.
[11]         Morgan, G. C., "Fuzzy Logic", First Edition, Routledge Encyclopedia of Philosophy, Craig, London, 1998.