مدل سازی طول پر ش هیدرولیکی بر روی بسترهای زبر شیب دار با استفاده از سیستم استنباط فازی عصبی تطبیقی - الگوریتم ژنتیک

نویسندگان

1 دانشجوی دکتری منابع آب، گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران

2 استادیار گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران

چکیده

< p>معمولاً تبدیل سریع رژیم فوق ‌بحرانی جریان به زیر بحرانی با پرش هیدرولیکی همراه است. این پدیده به طور کلی بعد از سازه‌های هیدرولیکی از قبیل سرریز اوجی به‌وقوع می‌پیوندد. یکی از مهمترین پارامترهای پرش هیدرولیکی که در تعیین ابعاد حوضچه‌های آرامش استفاده می‌شود، طول پرش هیدرولیکی است. در مطالعه حاضر، یک روش ترکیبی برای پیش‌بینی طول پرش هیدرولیکی بر روی بستر زبر شیب‌دار توسعه داده می‌شود. به‌عبارت دیگر، روش حاضر با ترکیب روش‌های سیستم استنباط فازی عصبی تطبیقی با الگوریتم ژنتیک (ANFIS-GA) ارائه شده است. در این مطالعه، به‌منظور سنجش عملکرد مدل‌های ANFIS- GA از شبیه‌سازی مونت کارلو استفاده می‌گردد. در ابتدا، پارامترهای مؤثر بر روی طول پرش هیدرولیکی که شامل عدد فرود جریان، نسبت زبری بستر، نسبت اعماق مزدوج و شیب بستر شناسایی می‌شود. سپس با توجه به پارامترهای مذکور پنچ مدل ANFIS-GA تعریف می‌شود. در ادامه، نتایج مدل‌های پنج‌گانه ANFIS-GA مورد بررسی قرار می‌گیرد که با تجزیه و تحلیل نتایج مدل‌سازی، مدل برتر معرفی شد. مدل برتر، مقادیر آزمایشگاهی را با دقت قابل قبولی پیش‌بینی می‌کند. به‌عنوان مثال مقادیر درصد میانگین مطلق خطا، خطای جذر میانگین مربعات برای این مدل به‌ترتیب مساوی 520/4 و 781/0 محاسبه گردیده است. همچنین نتایج مدل‌سازی نشان می‌دهد که عدد فرود جریان در بالادست پرش هیدرولیکی موثرترین پارامتر در مدل‌سازی طول پرش هیدرولیکی بر روی بستر زبر شیب‌دار با استفاده از مدل ANFIS-GA است.

کلیدواژه‌ها


عنوان مقاله [English]

Optimization of Fuzzy Systems using Genetic Algorithm for modeling the Hydraulic Jump Length on Sloping rough beds

نویسندگان [English]

  • amir alizadeh 1
  • Fariborz Yosefvand 2
  • ahmad rajabi 2
چکیده [English]

< p >In general, rapid transformation of supercritical flow regime into subcritical flow is accompanied with hydraulic jump. The phenomenon usually occurs at downstream of hydraulic structures such as ogee spillway. Also, the length of hydraulic jump is one of the most important parameters in determining the dimension of stilling basins. In current study, a hybrid method for prediction the length of hydraulic jump on sloping rough bed was developed. In the other words, the hybrid method (ANFIS-GA) was presented using combination of Adaptive Neuro-Fuzzy Inference Systems (ANFIS) and Genetic Algorithm (GA). In this study, to examine the performance of ANFIS-GA models, the Monte Carlo simulation (MCs) was used. At first, the effective parameters on length of hydraulic jump such as; Froude number at upstream of hydraulic jump, the ratio of bed roughness, sequent depth ratio, and bed slope were identified. Next, regarding the parameters, five ANFIS-GA models were defined. Then, the results of the ANFIS-GA models were examined that the superior model was introduced. The superior model predicts the experimental measurement with acceptable accuracy. For example, the Mean Absolute Percentage Error (MAPE) and Root Mean Square Error (RMSE) were respectively computed 4.520 and 0.781. In addition, the results of modeling revealed that the Froude number at upstream of hydraulic jump is the most effective parameters in modeling the length of hydraulic jump on sloping rough bed using ANFIS-GA method.

کلیدواژه‌ها [English]

  • ANFIS
  • Genetic Algorithm
  • Hybrid method
  • Length of hydraulic jump
  • Sloping rough bed
Abbaspour A, 2013. Prediction of Hydraulic Jump Characteristics on Rough Bed Using Artificial Neural Network and Genetic Programming. Journal of Water and Soil Science- University of Tabriz, 24(2): 1-10.
Abbaspour A, Farsadizadeh D and Ghorbani MA, 2013. Estimation of hydraulic jump on corrugated bed using artificial neural networks and genetic programming. Water Science and Engineering 6(2): 189-198.
Azimi H, Bonakdari H, Ebtehaj I and Michelson DG, 2018. A combined adaptive neuro-fuzzy inference system–firefly algorithm model for predicting the roller length of a hydraulic jump on a rough channel bed. Neural Computing and Applications 29 (6): 249-258.
Bradley JN and Peterka AJ, 1957. The hydraulic design of stilling basins: hydraulic jumps on a horizontal apron (Basin I). Journal of the Hydraulics Division ASCE 83(5): 1-24.
Carollo F, Ferro V and Pampalone V, 2007. Hydraulic jumps on rough beds. Journal of Hydraulic Engineering ASCE 133(9): 989-999.
Carollo F, Ferro V and Pampalone V, 2009. New solution of classical hydraulic jump. Journal of Hydraulic Engineering ASCE 135(6): 527-531.
Carollo F, Ferro V and Pampalone V, 2012. New expression of the hydraulic jump roller length. Journal of Hydraulic Engineering ASCE 138(11): 995-999.
Ead SA and Rajaratnam N, 2002. Hydraulic jumps on corrugated beds. Journal of Hydraulic Engineering ASCE 128(7): 656-663.
Ezizah G, Yousif N and Mostafa S, 2012. Hydraulic jumps in new roughened beds. Asian Journal of Applied Sciences 5(2): 96-106.
Hager WH, Bremen R and Kawagoshi N, 1990. Classical hydraulic jump: length of roller. Journal of Hydraulic Research 28(5): 591-608.
Houichi L, Dechemi N, Heddam S and Achour B, 2013. An evaluation of ANN methods for estimating the lengths of hydraulic jumps in U-shaped channel. Journal of Hydroinformatics 15(1): 147-154.
Holland JH, 1975. Adaptation in Natural and Artificial System. University of Michigan Press, Ann Arbor.
Hughes W and Flack J, 1984. Hydraulic jump properties over a rough bed. Journal of Hydraulic Engineering ASCE 110(12): 1755-1771.
Jang JSR, 1993. ANFIS: adaptive-network-based fuzzy inference system. Systems, Man and Cybernetics, IEEE Trans. on, 23(3): 665-685.
Jang JSR, Sun CT and Mizutani E, 1997. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Prentice Hall, N. J.
Kumar M and Lodhi AS, 2016. Hydraulic jump over sloping rough floors. ISH Journal of Hydraulic Engineering 22(2): 127-134.
Leutheusser HJ and Schiller EJ, 1975. Hydraulic jump in a rough channel. Water Power Dam Constr 27(5):186-191.
Naseri M and Othman F, 2012. Determination of the length of hydraulic jumps using artificial neural networks. Advances in Engineering Software 48:27-31.
Omid MH, Omid M and Esmaeeli VM, 2005. Modelling hydraulic jumps with artificial neural networks. Proceedings of the Institution of Civil Engineers Water Management 158 (2): 65–70.
Parsamehr P, Farsadizadeh D, Hosseinzadeh Dalir A, Abbaspour A and Nasr Esfahani MJ, 2016. Investigation of Hydraulic Jump Characteristics on Rough Bed with Different Density and Arrangements of Roughness Elements. Journal of Water and Soil Science- University of Tabriz, 26(1): 13-24.
Pagliara S, Lotti I and Palermo M, 2008. Hydraulic jump on rough bed of stream rehabilitation structures. Journal of Hydro-environment Research 2(1): 29-38.
Pourabdollah N, Honar T and Fatahi R, 2014. Investigation of Water Velocity and Surface Profile in Hydraulic Jump over Rough Bed with Adverse Slope. Journal of Water and Soil Science- University of Tabriz, 25(1): 143-152.
Rajaratnam N, 1968. Hydraulic jumps on rough beds. Transactions of the Engineering Institute of Canada 11(A-2): 1-8.
Shafaii Bejestan MS and Neisi K, 2009. A new roughened bed hydraulic jump stilling basin. Asian Journal of Applied Sciences 2: 436-45.