تخمين ضريب اصطكاك در لوله‌ها با استفاده از سيستم تطبيقي استنتاج فازي- عصبي

Adaptive Neuro-Fuzzy Computing Technique for Determining Turbulent Flow Friction Coefficient

تخمين ضريب اصطكاك در لوله‌ها در بسياري از مسايل مهندسي آب و فاضلاب، مانند توزيع سرعت و تنش برشي، فرسايش، انتقال رسوب و افت هد، اهميت ويژه‌اي دارد. در تحليل اين‌گونه مسايل با دانستن ضريب اصطكاك، مي‌توان تخمين دقيق‌تري از آنها به‌دست آورد. در اين تحقيق به‌منظور تخمين ضريب اصطكاك در لوله‌ها با استفاده از سيستم تطبيقي استنتاج فازي- عصبي، روش افراز شبكه‌اي مورد استفاده قرار گرفت. براي آموزش و تست مدل فازي- عصبي از داده‌هاي به‌دست آمده از معادله كلبروك استفاده گرديد. در روش فازي- عصبي، زبري نسبي لوله و عدد رينولدز، متغيرهاي ورودي و ضريب اصطكاك متغير خروجي در نظر گرفته مي‌شود. عملكرد مدل ارايه شده با استفاده از داده‌هاي برداشت شده از معادله كلبروك و بر مبناي شاخصهاي آماري ضريب تعيين، جذر ميانگين مجذورات خطا و ميانگين خطاي مطلق ارزيابي گرديدند. مقايسه نتايج نشان داد كه مدل سيستم تطبيقي استنتاج فازي-عصبي با روش گسسته‌سازي شبكه‌اي و تابع عضويت ورودي گوسين و خروجي خطي، ضريب اصطكاك را با دقت بيشتري نسبت به ديگر حالات برآورد مي‌نمايد. رهيافت جديد ارايه شده در اين تحقيق قابليت كاربرد در مسايل طراحي كاربردي و نيز قابليت اتصال و تركيب با مدل‌هاي رياضي و عددي انتقال رسوب و به‌هنگام‌سازي نتايج آنها را در شرايط واقعي دارد.

Estimation of the friction coefficient in pipes is very important in many water and wastewater engineering issues, such as distribution of velocity and shear stress, erosion, sediment transport and head loss. In analyzing these problems, knowing the friction coefficient, can obtain estimates that are more accurate. In this study in order to estimate the friction coefficient in pipes, using adaptive neuro-fuzzy inference systems (ANFIS), grid partition method was used. For training and testing of neuro-fuzzy model, the data derived from the Colebrook’s equation was used. In the neuro-fuzzy approach, pipe relative roughness and Reynolds number are considered as input variables and friction coefficient as output variable is considered. Performance of the proposed approach was evaluated by using of the data obtained from the Colebrook’s equation and based on statistical indicators such as coefficient determination (R2), root mean squared error (RMSE) and mean absolute error (MAE). The results showed that the adaptive nerou-fuzzy inference system with grid partition method and gauss model as an input membership function and linear as an output function could estimate friction coefficient more accurately than other conditions. The new proposed approach in this paper has capability of application in the practical design issues and can be combined with mathematical and numerical models of sediment transfer or real-time updating of these models.