کاربرد شبکه عصبی در بهینه سازی هوادهی تخلیه کننده های خروجی

در این مقاله به بررسی هوادهی در مجاری بسته پرداخته شده است.  با توجه به عدم وجود روابط همخوان برای پیش بینی و محاسبه بهینه دبی هوای ورودی و به دلیل تاثیرگذاری پارامترهایی مختلف همچون آشفتگی،  هندسه مجرا قبل و بعد از دریچه و شرایط هیدرولیکی بر میزان هوا گیری، با استفاده از اطلاعات بدست آمده از مدل های فیزیکی موجود به آموزش شبکه عصبی مصنوعی به عنوان ابزاری مناسب در جهت محاسبه بهینه هوای ورودی پرداخته شود.  شبکه عصبی مصنوعی با ویژگی یادگیری یا نگاشت پذیری بر اساس ارائه داده های تجربی به همراه قدرت و توانایی تعمیم پذیری و ساختار پذیری موازی برای سیستم های پیچیده که مدل سازی آنها به سختی انجام می شود مناسب می باشد.  از آنجا که در میان الگوریتم های معمول آموزش شبکه، الگوریتم پس انتشار خطا Back Propagation با فراهم آوردن روش محاسباتی کارا، به عنوان بیشترین کاربرد در مسائل فنی- مهندسی شناخته شده و استفاده از آن به کمک توابع تبدیل غیر خطی از طریق آموزش پارامترهای شبکه در راستای بهینه سازی شاخص اجرایی به عنوان معمول ترین راه حل در مسائل پیچیده مهندسی با پارامترهای متعدد شناخته شده است، لذا در مقاله حاضر از روش فوق جهت طراحی شبکه استفاده شده است. اطلاعات آزمایشگاهی از موسسه تحقیقات آب ایران و بر اساس مدل های هیدرولیکی تخلیه کننده های تحتانی سدهای در دست ساخت بدست آمد.  این اطلاعات شامل تخلیه کننده های تحتانی دشت عباس، مدل اولیه و مدل اصلاح شده تخلیه کننده سد جگین و تخلیه کننده سدهای جره، کرخه، البرز و کوثر می باشد. در این ارتباط سعی گردید تا جهت افزایش اطلاعات با انجام آزمایش های تکمیلی و اضافی نیاز اساسی این پژوهش مرتفع گردد. آزمایش های تکمیلی انجام گرفته بر روی مدل تخلیه کننده های سد جگین (مدل اصلاح شده)، البرز و دشت عباس توسط این محققان صورت پذیرفته است. همچنین اطلاعات مربوط به تخلیه کننده تحتانی سد فولسوم در آمریکا نیز از منابع خارجی کسب و مورد استفاده قرار گرفت بر اساس نتایج بدست آمده نشان داده شد که شبکه عصبی مورد استفاده توانائی بسیار قابل قبولی جهت پیش بینی و تخمین میزان هوای مورد نیاز بعد از دریچه داشته است.