تخمین افت انرژی در سرریزهای پلکانی گابیونی با استفاده از شبکه عصبی مصنوعی
چکیده
در سال های اخیر، کاربرد سنگ و توری سنگ در کارهای آبی (نظیر مهندسی رودخانه) به دلایل متعددی مانند صرفه اقتصادی، سهولت اجرا و تطابق با سیستم طبیعی رودخانه ها، رشد روز افزون داشته است. به عنوان مثالی از نمونه های موفق، می توان سرریزهای پلکانی گابیونی را نام برد که در مهندسی رودخانه به عنوان سازه های تثبیت کننده بستر و یا بندهای انحرافی به کار می روند. بعلاوه، این گونه سرریزها به لحاظ کارایی مناسب در استهلاک انرژی جریان، مورد توجه بیشتر طراحان قرار گرفته است. در حالت کلی در سرریزهای پلکانی گابیونی دو نوع جریان قابل گذر است که عبارتند از: جریان های درون گذر و روگذر. بررسی های مطالعات قبلی نشان می دهد که افت انرژی جریان روگذر به مراتب از جریان درون گذر بیشتر است. در تحقیق حاضر 4 مدل فیزیکی از سرریز پلکانی گابیونی با تخلخل های 32 و 40 درصد (و با شیب بالادست قائم و پایین دست 1:1) در شرایطی که دیواره عمودی بالادست نفوذپذیر و یا نفوذناپذیر باشد، مورد آزمایش قرار گفت. نتایج آزمایشگاهی نشان داد که با کاهش تخلخل، افت انرژی افزایش می یابد که این امر احتمالا به دلیل افزایش سهم جریان روگذر می باشد. همچنین غیر قابل نفوذ کردن دیواره بالادست سرریز نیز باعث افزایش جریان روگذر شده و بدین ترتیب میزان استهلاک انرژی افزایش می یابد. در این میان، تاثیر غیر قابل نفوذ کردن دیواره عمودی در افزایش افت انرژی در تخلخل 40 درصد بیشتر از تخلخل 32 درصد مشاهده شد. در آزمایش های انجام شده در مدلهای فیزیکی از سرریز، در محدوده دبی 21 تا 96 لیتر بر ثانیه، تعداد 200 داده آزمایشگاهی برداشت گردید. از آنجایی که شبکه های عصبی مصنوعی می توانند با دقت مناسبی فرآیندهای پیچیده و غیرخطی را شبیه سازی کنند، از این تکنیک برای برآورد استهلاک انرژی در مدل های فیزیکی مورد مطالعه استفاده به عمل آمد. از اینرو، شبکه عصبی مصنوعی پرسپترون چند لایه (mlp) با الگوریتم های یادگیری و تابع های محرک مختلف که از ترکیبهای مختلف ورودی تشکیل یافته اند، مورد آموزش و آزمون قرار گرفتند. سپس مدل بهینه شبکه عصبی براساس معیارهای آماری تعیین شد و با روابط رگرسیونی برازش داده شده در هر مدل فیزیکی، مقایسه گردید. نتایج نشان داد که شبکه عصبی مصنوعی در هر 4 مدل فیزیکی مورد مطالعه، از دقت بسیار بالایی در تخمین میزان استهلاک انرژی جریان برخوردار است. برای سرریز پلکانی گابیونی با تخلخل 32 درصد و دیواره عمودی بالادست نفوذپذیر، مقادیر شاخص های آماری به کارگرفته شده، شامل ضریب تعیین ("r" ^"2" ) ، جذر میانگین مربعات خطا "rmse(" ) و متوسط خطای مطلق ("mae" ) برای مدل شبکه عصبی بهینه به ترتیب با مقادیر 0/9999 0/00116 و 0/00115، حاصل شد. مقایسه نتایج به دست آمده از روش شبکه عصبی مصنوعی با روابط رگرسیونی، حاکی از برتری این روش نسبت به مدل های رگرسیونی در تخمین استهلاک انرژی می باشد