%0 Journal Article %T پیش‌بینی ضریب زبری کانال‌های روباز با بستر فرسایشی با استفاده از سیستم‌های عصبی مصنوعی %J نشریه مهندسی عمران و محیط زیست دانشگاه تبریز %I معاونت پژوهش و فناوری دانشگاه تبریز %Z 2008-7918 %A روشنگر, کیومرٍث %A محمدپور, سعید %D 2015 %\ 11/22/2015 %V 45.3 %N 80 %P 13-24 %! پیش‌بینی ضریب زبری کانال‌های روباز با بستر فرسایشی با استفاده از سیستم‌های عصبی مصنوعی %K ضریب زبری مانینگ %K بستر متحرک %K شبکه‌های عصبی پس انتشار %K شعاع مبنا %K شبکه‌عصبی– فازی %R %X 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. %U https://ceej.tabrizu.ac.ir/article_4271_1d00eda42483ad6092af1437cee639aa.pdf