پیش بینی مشخصات پرش هیدرولیکی بر روی بستر زبر با استفاده از شبکه عصبی مصنوعی و برنامه ریزی ژنتیک

نوع مقاله : مقاله پژوهشی

چکیده

در تحقیق حاضر مشخصات پرش هیدرولیکی با تحلیل عمق و طول غلتان پرش بر روی بسترهای زبرکه بصورت تابعی از ارتفاع زبری و عدد فرود بالادست می­باشد با استفاده از مدل شبکه­عصبی و برنامه­ریزی ژنتیک شبیه­سازی گردید. عدد فرود اولیه جریان در محدوده 9/1 تا 10 و زبری نسبی بستر در محدوده 085/0 تا 025/2 قرار داشت. در کل تعداد 454 داده مشاهداتی پرش هیدرولیکی برای آموزش وتست مدل های شبکه عصبی و برنامه­ریزی ژنتیک (GP) استفاده شده است. نتایج نشان می­دهد در هر دو مدل شبکه عصبی و برنامه­ریزی ژنتیک تطابق خوبی بین مقادیر اندازه­گیری شده و پیش­بینی شده مدل وجود دارند. نتایج این مدل­ها با روابط موجود برای بستر زبر مقایسه شده است. با توجه به بررسی­های انجام گرفته خطای محاسباتی مدل­های عصبی و برنامه­ریزی ژنتیک در مقایسه با روابط تجربی متداول کمتر شد. همچنین نتایج بدست آمده از مدل GP به صورت معادلات ریاضی و نمودار درختی ارائه شده است.

کلیدواژه‌ها


عنوان مقاله [English]

Prediction of Hydraulic Jump Characteristics on Rough Bed Using Artificial Neural Network and Genetic Programming

چکیده [English]

In the present research the hydraulic jump characteristics such as depth and length of the jump on rough beds as functions of roughness height and initial Froude number were simulated using artificial neural network (ANN) and genetic programming (GP) models. In the experiments, initial Froude numbers and roughness ratios were in the range of 1.9 to10 and 0.085 to 2.025, respectively.
Totally, 454 sets of the observed data were used in training and testing process of the proposed ANN and GP models. The results of the both artificial neural network and genetic programming models had good agreements with the measured data. Also the results of these models were compared with the known empirical equations for rough beds. It was shown that the ANN and GP models had less computational errors than the empirical equations. Also, the outputs of the GP model were presented in the form of mathematical equations and tree graph.

کلیدواژه‌ها [English]

  • Artificial Neural Networks
  • Hydraulic jump
  • genetic programming
  • Rough bed