مدل‌سازي هوشمند جريان غليظ نمكي در حضور موانع نفوذپذير

Intelligent Modeling of Salty Density Current in the Presence of Permeable Obstacles

مقدمه : جريان­ غليظ يكي از مهمترين عوامل در فرآيند رسوب­ گذاري سدها مي ­باشد. افزايش رسوب در نزديك ديواره سد، ظرفيت ذخيره ­سازي آن را كاهش داده و چالش ­هاي قابل­ت وجهي را براي مهندسين مربوطه ايجاد مي ­كند. بنابراين درك پويايي سيالات غليظ و الگوهاي رسوبي مرتبط جهت مديريت مخزن سدها بسيار كارآمد است. روش : هدف از اين تحقيق ايجاد يك مدل هوشمند با تطابق مناسب با داده ­هاي آزمايشگاهي بوده تا بتوان از آن در طرح­ هاي آتي با متغيرهاي متفاوت نيز استفاده نمود. براين­اساس در اين تحقيق درصد كاهش هد جريان غليظ نمكي تحت تاثير موانع نفوذپذير ذوزنقه ­اي شكل (سنگ­دانه ­ها با قطر 1 سانتيمتر)، با در نظر گرفتن متغيرهايي همچون دبي، شيب، غلظت و ارتفاع موانع به ­صورت آزمايشگاهي مورد بررسي قرار گرفت، سپس براساس نتايج حاصله اقدام به مدل ­سازي هد جريان غليظ نمكي با روش شبكه عصبي مصنوعي پيش­خور و روش كلاسيك رگرسيون چند متغيره شد و كاركرد اين دو روش مورد مقايسه قرار گرفت. يافته­ ها : نتايج نشان داد كه روش هوشمند شبكه عصبي مصنوعي پيش­خور در مدل­ سازي درصد كاهش هد جريان غليظ نمكي نسبت به روش رگسيون چند متغيره برتري قابل توجهي دارد به ­گونه­ اي كه مقادير رگسيون آموزش، واسنجي و تست به ترتيب 0/99، 0.98 و 0/98 براي شبكه عصبي و 0/92، 0.91 و 0/91 براي رگسيون چند متغيره بدست آمد. ﻧﺘﯿﺠﻪﮔﯿﺮي : ﻋﻤﻠﮑﺮد ﺷـﺒﮑﻪ ﻋﺼـﺒﯽ ﻣﺼـﻨﻮﻋﯽ ﻧﺴـﺒﺖ ﺑﻪ روش رﮔﺴـﯿﻮن ﭼﻨﺪ ﻣﺘﻐﯿﺮه ﮐﺎراﯾﯽ ﺑﺴـﯿﺎر ﺑﻬﺘﺮي دارد.

Introduction: Density current is one of the most important factors in the sedimentation process of dams. Increased sediment will reduce dam storage capacity and makes significant challenges for relevant engineers. Therefore, understanding the dynamics of density fluids and related sediment patterns is very efficient for dam reservoir management. Methods: The purpose of this study was to create an intelligent model with appropriate adaptation to laboratory data so that, it can be used in future designs with different variables. Therefore, in this study, the percentage of reduction of density salt current head under the influence of trapezoidal permeable obstacles (aggregates with a diameter of 1 cm), taking into account variables such as discharge, slope, concentration and height of obstacles in laboratory. Findings: Based on the results, the density salt current head was modeled using the artificial neural network feed-forward method and the classical multivariate regression method, and the performance of these two methods was compared. The results showed that the intelligent feed neural network intelligent method in modeling the percentage reduction of density salt current head is significantly superior to the multivariate regression method so that the training, calibration and test regression values are 0.99, 0.98 and 0.98 were obtained for neural network and 0.92, 0.91 and 0.91 for multivariate regression, respectively. Conclusion: The performance of the artificial neural network is much better than the multivariate regression method.