استفاده از شبکه ¬عصبی¬مصنوعی درپیش¬بینی خصوصیات پرش هیدرولیکی درمقاطع مستطیلی واگرا با شیب معکوس

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه تبریز

2 دانشگاه شهیدچمران اهواز

چکیده

حوضچه آرامش از مهمترین سازه­های مستهلک کننده انرژی جریان در پایین­دست سازه­های آبی که جریان در آن­ها حالت فوق بحرانی دارد، می­باشد. نظر به اهمیت این سازه و همچنین پرهزینه بودن احداث آن، ضرورت مدل کردن قبل از ساخت کاملا محسوس می­باشد. همچنین مدل کردن این سازه در شرایط آزمایشگاهی برای حالات مختلف پرهزینه بوده و نیاز به زمان زیادی دارد. لذا از گذشته سعی بر این بوده که خصوصیات پرش هیدرولیکی از قبیل طول پرش، افت انرژی پرش، نسبت اعماق مزدوج و غیره را به پارامترهای هیدرولیکی و مشخصات سطح مقطع جریان مانند عدد فرود، زاویه واگرایی، شیب کف، شیب دیواره­های جانبی و غیره ارتباط دهند. به همین جهت مطالعات زیادی در این خصوص صورت پذیرفته است. در این تحقیق خصوصیات پرش هیدرولیکی شامل نسبت اعماق مزدوج، طول پرش و افت انرژی پرش در مقاطع مستطیلی واگرا با شیب معکوس به صورت توابعی از پارامترهای عدد فرود اولیه، شیب کف و زاویه واگرایی با استفاده از شبکه عصبی مصنوعی مدل گردیدند و میزان دقت مدل در برآورد هر یک از این مشخصات هیدرولیکی مورد بررسی قرار گرفت. نتایج حاصل نشان داد که مدل قادر به پیش­بینی این خصوصیات با دقت بسیار بالا می­باشد. هم­چنین میزان اهمیت هر یک از پارامترهای مورداستفاده در پیش­بینی خصوصیات مورد مطالعه پرش هیدرولیکی در این تحقیق توسط مدل تعیین، که با استفاده از نتایج حاصل و نرم­افزارData Fit  برای هر یک از این خصوصیات یک رابطه بر حسب پارامترهای موجود استخراج گردید که این روابط نیز از دقت بالایی در پیش­بینی خصوصیات موردنظر بهره­مند می­باشند

کلیدواژه‌ها


عنوان مقاله [English]

Application of Artificial Neural Network to Estimate Hydraulic Jump Characteristics in Divergent Rectangular Sections on Inverse Slope

نویسندگان [English]

  • Zahra Shojaeian 1
  • Ali Hosseinzadeh dalir 1
  • Mehdi Daryaee 2
  • Seyed Mahmood Kashefipour 2
  • Daood Farsadizadeh 1
چکیده [English]

Stilling basins are the most important energy dissipating structures placed at the end of spillways and any source of supercritical flow to control the hydraulic jump. Due to its importance and high construction costs, modeling of stilling basins are necessary prior to construction. Physical modeling of stilling basins are time consuming and costly, therefore attempts have been made so far to relate the hydraulic jump characteristics such as the jump length, energy loss, etc., to some hydraulic parameters like Froude number,  divergence and the bed slope. In this study hydraulic jump characteristics such as the jump length and energy loss in divergent rectangular sections on inverse slopes were modeled as functions of Froude number, angle of divergence and inverse bed slope, using Artificial Neural Network. The accuracy of the model for estimating different hydraulic parameters was also verified. The results indicated that the model was capable of predicting hydraulic parameters with high accuracy. Furthermore, the weight of each parameter for estimating hydraulic characteristics was determined. Data Fit software was used to produce relationships between the parameters. The relationships found to be accurate enough to predict the hydraulic jump characteristics.

کلیدواژه‌ها [English]

  • Artificial Neural Networks
  • Divergent channel sections
  • Hydraulic jump
  • Inverse slope