استفاده از شبكه عصبي مصنوعي درپيش بيني خصوصيات پرش هيدروليكي درمقاطع مستطيلي واگرا با شيب معكوس

Application of Artificial Neural Network to Estimate Hydraulic Jump Characteristics in Divergent Rectangular Sections on Inverse Slope

حوضچه آرامش از مهمترين سازه هاي مستهلك كننده انرژي جريان در پايين دست سازه هاي آبي كه جريان در آن ها حالت فوق بحراني دارد، مي باشد. نظر به اهميت اين سازه و همچنين پرهزينه بودن احداث آن، ضرورت مدل كردن قبل از ساخت كاملا محسوس مي باشد. همچنين مدل كردن اين سازه در شرايط آزمايشگاهي براي حالات مختلف پرهزينه بوده و نياز به زمان زيادي دارد. لذا از گذشته سعي بر اين بوده كه خصوصيات پرش هيدروليكي از قبيل طول پرش، افت انرژي پرش، نسبت اعماق مزدوج و غيره را به پارامترهاي هيدروليكي و مشخصات سطح مقطع جريان مانند عدد فرود، زاويه واگرايي، شيب كف، شيب ديواره هاي جانبي و غيره ارتباط دهند. به همين جهت مطالعات زيادي در اين خصوص صورت پذيرفته است. در اين تحقيق خصوصيات پرش هيدروليكي شامل نسبت اعماق مزدوج، طول پرش و افت انرژي پرش در مقاطع مستطيلي واگرا با شيب معكوس به صورت توابعي از پارامترهاي عدد فرود اوليه، شيب كف و زاويه واگرايي با استفاده از شبكه عصبي مصنوعي مدل گرديدند و ميزان دقت مدل در برآورد هر يك از اين مشخصات هيدروليكي مورد بررسي قرار گرفت. نتايج حاصل نشان داد كه مدل قادر به پيش بيني اين خصوصيات با دقت بسيار بالا مي باشد. هم چنين ميزان اهميت هر يك از پارامترهاي مورداستفاده در پيش بيني خصوصيات مورد مطالعه پرش هيدروليكي در اين تحقيق توسط مدل تعيين، كه با استفاده از نتايج حاصل و نرم افزارData Fit براي هر يك از اين خصوصيات يك رابطه بر حسب پارامترهاي موجود استخراج گرديد كه اين روابط نيز از دقت بالايي در پيش بيني خصوصيات موردنظر بهره مند مي باشند .

Stilling basins are the most important energy dissipating structures placed at the end of spillways and any source of supercritical flow to control the hydraulic jump. Due to its importance and high construction costs, modeling of stilling basins are necessary prior to construction. Physical modeling of stilling basins are time consuming and costly, therefore attempts have been made so far to relate the hydraulic jump characteristics such as the jump length, energy loss, etc., to some hydraulic parameters like Froude number, divergence and the bed slope. In this study hydraulic jump characteristics such as the jump length and energy loss in divergent rectangular sections on inverse slopes were modeled as functions of Froude number, angle of divergence and inverse bed slope, using Artificial Neural Network. The accuracy of the model for estimating different hydraulic parameters was also verified. The results indicated that the model was capable of predicting hydraulic parameters with high accuracy. Furthermore, the weight of each parameter for estimating hydraulic characteristics was determined. Data Fit software was used to produce relationships between the parameters. The relationships found to be accurate enough to predict the hydraulic jump characteristics.