محاسبه ارتفاع آبشار در پايين‌دست سرريزهاي اوجي جهت كنترل پرش هيدروليكي

سرريز هاي اوجي بهتر است به گونه ‌اي طراحي شوند كه پرش هيدروليكي در پاي سرريز تشكيل شود و با اين عمل از فرسايش و تخريب پايين‌دست يا بدنه سرريز در حالت پرش مستغرق و آزاد جلوگيري به‌عمل آيد، براي نيل به اين هدف مي‌توان از آبشاري در پاي سرريز استفاده نمود. در همين راستا، در اين پژوهش، هدف، ارائه رابطه‌ اي مستقيم براي محاسبه ارتفاع آبشار بوده كه بر اساس آن در نهايت يك رابطه رگرسيوني چندگانه (MR) غيرخطي پيشنهاد شد. اين رابطه مي‌ تواند بدون نياز به روش غيرمستقيم و استفاده از منحني با كم‌ترين محاسبات، ارتفاع آبشار را برآورد نمايد. به‌علاوه عملكرد مدل‌هاي هوشمند شبكه عصبي مصنوعي (ANN) و ماشين بردار پشتيبان (SVM) نيز در تخمين ارتفاع آبشار مورد بررسي قرار گرفت و سپس نتايج آن‌ها با رابطة رگرسيوني چندگانه (MR) توسط معيارهاي آماري مورد مقايسه قرار گرفت. طبق نتايج مشاهده شد كه روش ANN بهتر از روش SVM مي ‌تواند ارتفاع آبشار را برآورد نمايد. ارزيابي صحت نتايج با استفاده از معيارهاي آماري شامل ضريب تبيين (R2)، درصد خطاي نسبي (%RE) و جذر ميانگين مربعات خطا (RMSE) انجام شد. مقادير معيارهاي آماري %R2 ،RE و RMSE براي مدل MR و براي شرايطي كه عدد فرود قبل از پرش هيدروليكي (Fr1) در محدودة 4.5 تا 15.5 باشد، به‌ترتيب 0.999، 0.539 و 0.0186، و براي مدل ANN در محدوده فوق‌الذكر به‌ترتيب 0.999، 0.394 و 0.00035 به‌دست آمد. هم‌چنين در شرايطي كه عدد فرود قبل از پرش هيدروليكي (Fr1) در محدودة 2.5 تا 4.5 باشد، مقدار معيارهاي آماري اشاره شده در بالا، براي مدل MR به‌ترتيب 0.999، 0.240 و 0.0128 و هم‌چنين براي مدل ANN به‌ترتيب 0.999، 0.022 و 0.0014 به‌دست آمد. معيارهاي آماري نشان از برتري دو مدل MR و ANN نسبت به مدل SVM در برآورد ارتفاع آبشار براي عدد فرود كم‌تر و بيش‌تر از 4.5 دارد.