كاربرد شبكه عصبي مصنوعي دربرآورد پروفيل پرش هيدروليكي درحوضچه آرامش با ديواره هاي همگرا

A Neural Network Model to Predict Characteristics of Hydraulic Jump in Stilling Basins with Convergent Wall

در اين تحقيق، از يك شبكه عصبي مصنوعي در برآورد پروفيل پرش هيدروليكي در حوضچه آرامش همراه با ديواره همگرا كه از حالت هاي خاص و پيچيده پرش هيدروليكي مي باشد، استفاده شده است. تعداد 1500 داده آزمايشگاهي اعماق پرش هيدروليكي مربوط به مقاطع مستطيلي، براي همگرايي %7/2، %4 و %3/5 مورد استفاده قرار گرفته است. در توسعه مدل شبكه عصبي مصنوعي، 10 ساختار پرسپترون، با تعداد لايه هاي پنهان و نرون هاي مختلف، مورد ارزيابي قرار گرفتند. در مورد نتيجه نهايي، ساختاري كه بالاترين مقدار ضريب همبستگي را توليد مي كرد، به عنوان مدل بهينه انتخاب گرديد. براي مقاطع همگرا، مناسب ترين مدل شبكه عصبي براي پروفيل پرش هيدروليكي ساختار 1-3-5 با 15 نرون در لايه هاي مخفي با ضريب رگرسيون 999/0 به دست آمد. مقادير بالاي به دست آمده براي ضريب رگرسيون، بيانگر همبستگي نزديك بين مقادير خروجي مدل شبكه عصبي با داده هاي آزمايشگاهي مي-باشد.

In this research, an Artificial Neural Network (ANN), was adapted to model the hydraulic jump surface profile of the stilling basin with convergent wall. More than 1500 experimental data on depths of hydraulic jumps for basins of rectangular sections with 2.7%, 4%, 5.3% converged walls, were used. In developing ANN, 10 configurations, each having different number of hidden layers and/or neurons, were investigated. In each case, a configuration with attained the highest R2 value was selected as the optimal model. For stilling basin with convergent wall, the best ANN model for hydraulic jump profile was obtained with a 5-3-1 configuration, having 15 neuron in each of hidden layer and R2 =0.999. High values of R2 obtained in all cases, suggesting a close agreement between the ANN,s output variable and the experimental data.