استفاده از محاسبات نرم در شبيه‌سازي جريان‌هاي رسوبي

The application of soft computing in the simulation of sediment flows

جريان­ هاي غليظ از مهم‌ترين عوامل در كاهش عمر مفيد سازه­ هاي آبي بخصوص سدهاي مخزني مي ­باشند، بر اين ­اساس محققين همواره به دنبال راهكارهايي جهت حذف اين جريان­ها و افزايش عمرمفيد سدها بوده­اند. يكي از كاربردي­ ترين روش­هاي شناخته شده، ساخت مانع در مسير اين جريان­ها مي ­باشد. در اين تحقيق آزمايشگاهي_عددي اثر مانع نفوذ­پذير ذوزنقه­ اي شكل (پر شده با دانه­ هاي شن با قطر نيم سانتي­متر) بر هد جريان غليظ و با در نظر گرفتن متغيرهايي همچون دبي، غلظت، شيب و ارتفاع مانع مورد ارزيابي قرار گرفته شد. بر اساس مقادير درصد كاهش هد جريان غليظ به‌دست‌ آمده از آزمايش­ها، اقدام به مدل­سازي هد جريان غليظ نمكي با روش نرم، سامانه استنتاج عصبي_ فازي تطبيقي (انفيس) شده و سپس با مقايسه نتايج آن با روش كلاسيك رگرسيون چند متغيره، كاركرد اين دو روش مورد مقايسه قرار گرفته است. نتايج نشان داد كه ميزان خطا انفيس براي داده­هاي آموزشي، اعتبارسنجي و تست به‌ترتيب 0.07، 0.033 و 0.03 و براي روش رگسيون چند متغيره به‌ترتيب 0.12 ،0.199 و 0.1084 بوده است همچنين مقادير رگسيون آموزش و تست براي سامانه انفيس 0.9954 و 0.9652 بوده و براي روش كلاسيك رگرسيون چند متغيره0.93108 و 0.90396 بوده است كه نشان از برتري كارايي سامانه انفيس در مدل­ سازي داده ­هاي هد دارد.

Density flows are one of the most important factors in reducing the useful life of water structures, especially reservoir dams. Therefore, researchers have always been investigating solutions to eliminate these flows and increase the useful life of dams. One of the most practical methods known is to build an obstacle in the path of these currents. In this laboratory-numerical study, the effect of trapezoidal permeable obstacle (filled with 0.5 cm diameter grains) on the head of density flow is investigated and the effects of variables such as discharge, concentration, slope and height of the obstacle are studied. Based on the percentage reduction of the density flow head obtained from the experiments, the concentrated salt flow head is modeled using one of the soft computing methods known as the adaptive neural-fuzzy inference system (Anfis). Then, by comparing the results with the classical multivariable regression method, the performance of these two methods is compared. The error of training, validation and test data for the Anfis method are shown to be 0.07, 0.033 and 0.03, respectively, while for the multivariable regression method the mentioned errors are shown to be 0.12, 0.199 and 0.1084, respectively. Also, regression values for the training and test data for the Anfis method, are found to be 0.9954 and 0.9652 respectively whilst for the multivariable regression method, the mentioned parameters are shown to be 0.93108 and 0.90396 respectively which demonstrates the superiority and the efficiency of the adaptive neural-fuzzy inference system in modeling the head data.