تخمین عمق آبشستگی سازه های کنترل شیب با سرریز لبه تیز با استفاده از مدل های هوش مصنوعی
عنوان مقاله: تخمین عمق آبشستگی سازه های کنترل شیب با سرریز لبه تیز با استفاده از مدل های هوش مصنوعی
شناسه ملی مقاله: JR_WEJMI-15-55_007
منتشر شده در در سال 1401
شناسه ملی مقاله: JR_WEJMI-15-55_007
منتشر شده در در سال 1401
مشخصات نویسندگان مقاله:
شهرام موسوی - Assistant Professor, Department of Civil Engineering, Miyaneh Branch, Islamic Azad University, Miyaneh, Iran.
خلاصه مقاله:
شهرام موسوی - Assistant Professor, Department of Civil Engineering, Miyaneh Branch, Islamic Azad University, Miyaneh, Iran.
چکیده مقدمه: عدم قطعیت پارامترهای فیزیکی فرایند عمق آبشستگی پایین دست سازههای کنترل شیب با سرریز لبه تیز، نتایج مدل سازی را تحت تاثیر قرار میدهند. روش: در این تحقیق، از روش های هوش مصنوعی برای تخمین مقدار عمق آبشستگی سازه های کنترل شیب با سرریز لبه تیز به دلیل پیچیدگی پدیده استفاده شد. از سه مدل شبکه عصبی، سیستم عصبی فازی تطبیقی و ماشین بردار پشتیبان به عنوان روشهای هوش مصنوعی یا جعبه سیاه برای حل مسئله استفاده گردید. به منظور شبیه سازی عمق آبشستگی در سازه های کنترل شیب با سرریز لبه تیز از ۲۲۵ داده استفاده شد. در تمامی مدلها، از ۷۰ درصد دادهها برای واسنجی و از ۳۰ درصد دادهها برای صحت سنجی در روشهای هوش مصنوعی استفاده به عمل آمد. یافته ها: آنالیز حساسیت نسبت به پارامترهای ورودی در هر سه مدل پیشنهادی نشان داد که اعمال پارامترهای عرض سرریز، ارتفاع ریزش آب، ارتفاع آب روی تاج، اختلاف ارتفاع آب در بالادست و پایین دست، قطر متوسط ذرات و عمق آب در پایین دست، کارایی مدلها را بهبود میدهد. در تخمین میزان عمق آبشستگی پایین دست سازه های کنترل شیب با سرریز لبه تیز در هر دو مرحله واسنجی و صحت سنجی، مدل سیستم عصبی فازی تطبیقی نسبت به مدل شبکه عصبی تا ۲۰ درصد و نسبت به مدل ماشین بردار پشتیبان تا ۵/۸ درصد بر اساس معیارهای رایج در ارزیابی مدلها، قابلیت اطمینان بیشتری دارد که این امر میتواند به دلیل توانایی تئوری فازی در غلبه بر عدم قطعیت پارمترهای موثر در تخمین میزان عمق آبشستگی باشد. نتیجه گیری: نتایج مدلسازی میزان عمق آبشستگی پایین دست سازه های کنترل شیب با سرریز لبه تیز با استفاده از مدلهای هوش مصنوعی نشان میدهد که کارایی این مدلها در پیش بینی مقادیر آبشستگی مناسب هستند و نسبت به روشهای تجربی رایج در زمینه دقیقتر میباشند که این امر میتواند به علت غیرخطی و پیچیده بودن طبیعت مسئله باشد.
کلمات کلیدی: Scour, Sharp-crested weir, ANN, ANFIS, SVM
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1903821/