بخشی از مقاله
چکیده
تکیهگاهها یا کولههای پل از جمله سازههایی هستند که در کناره ی پلها وجود دارند و نقش انتقال بار به زمین را ایفا می کنند. با توجه به اینکه اینگونه سازهها باعث انقباض مقطع جریان میشوند و بر روی جریان اثر میگذارند، در اطراف آنها آبشستگی موضعی ایجاد می شود. از آنجا که تکیهگاههای پل نقش مهمی در پایداری پل ایفا میکنند، کنترل میزان آبشستگی اطراف این سازهها باید مورد توجه ویژه قرار گیرد. طوق یکی از روشهای کنترل آبشستگی موضعی در سازههای هیدرولیکی است.
با توجه به رفتار پیچیده و الگوی سه بعدی جریان اطراف تکیهگاه با وجود طوق، از شبکههای عصبی مصنوعی که توانایی شبیهسازی رفتار غیرخطی را دارند، استفاده شده است. در این تحقیق پس از جمع آوری دادهها، ابتدا با استفاده از آنالیز ابعادی نسبت طول تکیهگاه به عرض کانال، طول تکیهگاه به عرض طوق و تراز قرارگیری طوق به عمق جریان بعنوان ورودی شبکه عصبی و نسبت حداکثر عمق آبشستگی به عمق جریان بعنوان خروجی به شبکه معرفی شدند و ساختارهای مختلف شبکه عصبی مورد آزمون قرار گرفتند. نتایج تحقیق نشان می دهد که از شبکههای عصبی مصنوعی می توان با دقت بالایی در برآورد حداکثر عمق آبشستگی اطراف تکیهگاه با وجود طوق استفاده نمود.
مقدمه
تکیهگاهها یا کولههای پل، پایههای پل چسبیده به ساحل رودخانه میباشندکه معمولاً بتنی، به صورت منفرد و در دو طرف رودخانه ساخته میشوند. در حالت کلی تکیهگاهها به تکیهگاههای با خط جریانی و تکیهگاههای با دماغه تیز تقسیم میشوند. هندسه آنها نیز به انواع مختلفی نظیر دیوار بالهای، دیوار شیبدار و دیوار قائم تقسیم می گردد
الگوی جریان و مکانیزم آبشستگی در اطراف تکیهگاهها پدیده پیچیده ای است که ناشی از تعامل قوی جریانهای آشفته سه بعدی اطراف تکیهگاه و بستر فرسایش پذیر می باشد.معمولاً مکانیزم تکیهگاه و پایههای پل در پدیده آبشستگی مشابه در نظر گرفته می شود اما در تکیهگاه حضور لایههای مرزی دیوار - wall boundary layers - میدانی پیچیدهتر از آنچه در پایههای پل مشاهده میشوند، تولید میکند.
آبشستگی موضعی اطراف تکیهگاه در نتیجه جریانهای پائینرونده در وجه بالادست و توسعه گرداب در پای آن میباشد. از این رو یکی از راههای کاهش آبشستگی تضعیف و جلوگیری از تشکیل جریانهای پائین رونده و گردابهای نعل اسبی میباشد. طوق در هر ترازی بالای بستر، جریان را به دو ناحیه تقسیم می کند؛ یعنی بالا و زیر طوق. برای ناحیه بالا، طوق، بعنوان یک مانع در برابر جریانهای پائینرونده عمل کرده و قدرت آنرا هنگامی که به بستر اصابت میکند، کاهش میدهد. برای ناحیه زیر طوق، قدرت جریانهای پائینرونده و گرداب اصلی را کاهش میدهد. هر چند، اثر بخشی طوق به اندازه و محل قرارگیری آن بر روی تکیهگاه نسبت به بستر بستگی دارد
تکیهگاه یا آبشکن بخشی از مقطع رودخانه را محدود میکند و بر روی ساختار حرکتی جریان در مجاورت آن تأثیر قابل ملاحظهای دارد. سرعت متوسط و دبی در واحد عرض در محل سازه افزایش مییابد که باعث آشفتگی بیشتر جریان در اطراف سازه میشود. الگوی جریان در اطراف سازه و شکل گیری گردابهها بر روی مصالح بستر دلایل اصلی آبشستگی موضعی اطراف این گونه سازهها میباشند
بنی حبیب و شنتیا - 2001 - با بهره گیری از شبکه عصبی مصنوعی از نوع پرسپترون چند لایه با قانون پس انتشار خطا به تخمین حداکثر عمق فرسایش در اطراف آب شکن تیغه ای بسته پرداختند و برتری این مدل هوشمند را نسبت به روش های متداول نشان دادند.
منتظر و همکاران - 2003 - از شبکه عصبی مصنوعی با توابع پایه شعاعی برای تخمین حداکثر عمق آب شستگی استفاده کردند و برتری استفاده از این شبکه را افزایش سرعت یادگیری بیان کردند
.آذردرخش - 2006 - با استفاده از شبکه عصبی چند لایه پرسپترون به تخمین حداکثر عمق آب شستگی آب شکن تیغهای پرداخته و نشان دادند که شبکه عصبی مصنوعی در مقایسه با روابط تجربی موجود از دقت بیشتری برخوردار است
شهرادفر و همکاران - 1387 - کارائی شبکههای عصبی مصنوعی در پیش بینی عمق آبشستگی اطراف پایههای پل را بررسی کردند. نتایج تحقیق حاکی از آن است که شبکه عصبی مصنوعی از سرعت عمل و دقت قابل قبولی برخوردار بوده و نتایج بهتری نسبت به سایر مدل ها ارائه میدهد
مقیم و همکاران - 1387 - با استفاده از شبکه های عصبی مصنوعی حداکثر عمق آبشستگی تحت اثر جتهای دیوارهای را مورد ارزیابی قرار دادند و با مقایسه نتایج حاصل از شبکه عصبی و نتایج بدست آمده از روابط موجود با نتایج آزمایشگاهی، به این نتیجه رسیدند که شبکه عصبی دارای توانایی و سرعت بالایی در برآورد حداکثر عمق آبشستگی تحت اثر جتهای دیوار های میباشد.
خسرو نژاد و همکاران - - 2007 به بررسی عمق و طول آبشستگی در گروههای پایه پل پرداختند. آنها با مقایسه دو شبکه پرسپترون و تابع پایه شعاعی به این نتیجه رسیدند که شبکه پرسپترون حفره آبشستگی را به خوبی پیش بینی می کند.
دهقانی و همکاران - 1388 - به بررسی حداکثر آبشستگی اطراف آبشکن T شکل با استفاده از شبکه عصبی مصنوعی و سیستم استنتاج فازی- عصبی پرداختند. نتایج آنان نشان داد که سیستمهای هوشمند - بویژه سیستم استنتاج فازی عصبی - قدرت بالایی در یادگیری و تخمین عمق آبشستگی اطراف این نوع آبشکن دارد
تاکنون روابط نیمه تجربی متعددی برای تخمین عمق آبشستگی در تکیهگاهها توسط محققین مختلف ارائه شده است . به دلیل پیچیدگی الگوی جریان اطراف تکیهگاهها و گوناگونی عوامل مؤثر بر آبشستگی، هر یک از این روابط محدود به شرایط خاص آزمایشگاهی می باشد. همچنین بررسی سوابق تحقیق نشان می دهد که تحقیقی بر روی تخمین هوشمند آبشستگی اطراف تکیهگاهها با استفاده از طوق انجام نشده است، لذا در این تحقیق با توجه به قابلیت روش شبکه عصبی مصنوعی، این روش در تخمین حداکثر عمق آبشستگی اطراف تکیهگاههای پل مورد ارزیابی قرار گرفت.
مواد و روش ها
ساختار شبکه عصبی مصنوعی
شبکه عصبی مصنوعی شبیه سازی عملکرد مغز انسان، بوسیله کامپیوتر برای حل مسائل متنوع است که توانایی مدلسازی و ایجاد روابط غیر خطی برای درونیابی را دارا میباشد. یک مدل با ساختار پرسپترون چند لایه - MLP - از سه لایه ورودی، نهان و خروجی تشکیل شده است که در هر لایه یک یا چند نرون وجود دارد و هر نرون با همه نرون های لایه بعدی مرتبط است
سیگنال ورودی در خلال شبکه و در مسیری رو به جلو به صورت لایه به لایه منتشر میشود. تعداد نرونهای لایه ورودی و خروجی باید برابر با تعداد پارامترهای ورودی و خروجی میباشند ولی تعداد لایههای مخفی و تعداد نرونهای آنها بصورت تجربی و از طریق آموزش و آزمایش تعیین می شوند. هر یک از نرونهای لایه ورودی در وزنی ضرب میشوند که مقدار این وزن، تعیین کننده تأثیر هر متغیر بر میزان عملکرد لایه ورودی است. این وزن ها با دیدن آموزش بهبود یافته در نتیجه با تغییر این وزن ها خروجی شبکه تغییر می کند.
شکل.1 ساختار شبکه عصبی پرسپترون چند لایه - MLP -
آموزش داده ها به شبکه عصبی مصنوعی
برای آموزش و آزمون شبکه عصبی از نرم افزار MATLAB استفاده گردید. برای اینکه شبکه عصبی مصنوعی بتواند خروجی را تا حد امکان به بردار هدف نزدیک کند به فرایند آموزش نیاز دارد. در این تحقیق از الگوریتم پس انتشار خطا برای آموزش شبکه استفاده شده است . در الگوریتم پس انتشار خطا، خروجی واقعی با خروجی شبکه مقایسه شده و مقدار خطا بدست میآید این خطا در کل شبکه پخش میشود. هدف اصلی آموزش شبکه، حداقل کردن متوسط مربعات خطا میباشد.
در این تحقیق ازدادههای آزمایشگاهی مرجع 5 استفاده گردید. این آزمایشات در آزمایشگاه هیدرولیک در آنکارا، در کانال مستطیلی با طول 3 متر و عرض 1/5 متر صورت گرفته است. رسوبات دارای میانگین اندازه ذرات d50=1.48mm و انحراف معیار استاندارد =1.28 میباشند. در شرایط آب زلال ماکزیمم عمق آبشستگی در تکیهگاه همراه با طوق، تابعی از پارامترهای زیر میباشد:
با استفاده از تئوری پی- باکینگهام و با توجه به اینکه در کلیه آزمایشات اندازه رسوبات، شیب کانال، ضخامت طوق، عرض تکیهگاه، زمان آزمایشات و دبی یکسان است
