بخشی از مقاله
خلاصه
حوضچه های رسوبگیر از سازه های ضروری در شبکه های آبیاری ، تاسیسات تصفیه آب و فاضلاب و کانالهای منتهی به نیروگاه های برق آبی کوچک می باشد. در این مطالعه با بکارگیری روش شبکه عصبی مصنوعی راندمان تله اندازی محاسبه و با داده های اندازه گیری صحرایی و آزمایشگاهی مقایسه گردید.
برای این منظور از نرم افزار Neural Tools استفاده گردید. شاخصه های آماری مجموع مربعات خطا ، ضریب همبستگی و متوسط مطلق خطا ، دقت مناسب روش شبکه عصبی مصنوعی را در پیش بینی راندمان تله اندازی نشان می دهد. همچنین ارزیابی پارامتر های موثر ورودی به مدل شبکه عصبی مصنوعی مشخص می کند که مساحت سطحی و سرعت جریان بیشترین تاثیر را در برآورد راندمان تله اندازی دارد.
1. مقدمه
حوضچه های رسوبگیر یک روش عمومی برای حذف رسوبات معلق اضافی وارد شده به کانالهای آبیاری منشعب شده از رودخانه های آبرفتی است. این روش همچنین در تانک های رسوبگیر اولیه و ثانویه در تاسیسات تصفیه آب و فاضلاب و کانال های تامین آب نیروگاه های برق آبی کوچک استفاده می شود. اصل بکارگرفته شده در این روش ساده بوده و بر مبنای ایجاد طول و عرض کافی برای کاهش سرعت جریان و نهشته شدن رسوبات توسط نیروی ثقل می باشد
میزان رسوبات نهشته شده به رسوبات ورودی در حوضچه رسوبگیر به عنوان راندمان تله اندازی شناخته شده است در دهه های گذشته روشهای تجربی و تحلیلی زیادی برای محاسبه راندمان تله اندازی در حوضچه های رسوبگیر ارائه شده اند. که از جمله می توان به روشهای اولیه نظیر کمپ - 1946 - ، دوبین - 1944 - و USBR اشاره نمود که بر مبنای توسعه ی تحلیل داده های آزمایشگاهی و به کار بردن فرضیات زیادی بدست آمده اند به عنوان نمونه می توان به ماندگار و یکنواخت بودن جریان، لحاظ نکردن اثرات گردابه ها ، آبشستگی و تعلیق دوباره ذرات ، یکنواختی دانه بندی ذرات رسوبی و نیز منظور نمودن سرعت سقوط یکسان و عدم اعمال مناسب تاثیرات آشفتگی جریان را نام برد. درنتیجه تخمین بالایی از راندمان تله اندازی با این روشها محاسبه می گردد -
همچنین مدلهایی با تحلیل عددی دو یا سه بعدی جریان و غلظت عمدتا در تانک های رسوبگیر اولیه و ثانویه در تاسیسات تصفیه آب و فاضلاب مورد استفاده قرار گرفته است.که از جمله می توان به مطالعات استامو و همکاران - 1989 - ، استوین و سائول - 2000 - و آدامسون و همکاران - 2003 - اشاره نمود.و یا مطالعات خادمی و همکاران - 1386 - و اتکینسون - 1992 - در حوضچه های رسوبگیر شبکه های آبیاری و زهکشی نام برد. کلیه روشهای فوق از پیچیدگی های زیاد محاسباتی برخوردار بوده و معمولا ضرایب زیادی برای کالیبراسیون نیاز دارند.
در این مطالعه برای برآورد راندمان تله اندازی در حوضچه های رسوبگیراز روش شبکه عصبی مصنوعی استفاده گردیده و عملکرد این روش با داده های آزمایشگاهی و صحرایی مقایسه گردید.
2. مواد و روشها
- 1- 2 اندازه گیری های آزمایشگاهی و صحرایی برای رسیدن به اهداف این تحقیق، دو سری آزمایش در مقیاسهای متفاوت انجام شد. سری اول مطابق با شکل 1، در یک کانال مستطیلی با کف پلکسی و جداره شیشه ای با طول 8 متر عرض 0/3 و ارتفاع 0/4 متر در آزمایشگاه هیدرولیک دانشکده مهندسی علوم آب دانشگاه شهید چمران اهواز انجام شد. قسمتی از این فلوم به طول 3 متر به عنوان حوضچه رسوبگیر در نظر گرفته و در بالادست آن کانالی با عرض 0/15 متر و طول 1 متر قرار دارد که با تبدیل یکنواخت به حوضچه رسوبگیر متصل می شود. جدول 1 محدوده ی مقادیر داده های آزمایشات سری اول را نشان می دهد. همچنین رسوبات بکار رفته در آزمایشات سری اول، از نوع ماسه بادی تقریبا یکنواخت با قطر متوسط 150 میکرون بود. جزییات آزمایشات و اندازه گیری ها در مطالعه سجادی و همکاران - 1388 - بیان شده است.
شکل : 1 نمای بالا و مقطع جانبی فلوم آزمایشگاهی داده های سری اول
جدول : 1 محدوده ی داده های آزمایشگاهی سری اول در حوضچه رسوبگیر
در سری دوم آزمایشات، اندازه گیری هایی در کانالی بتنی به طول تقریبی 200 متر با مقطع مستطیلی و عرض کف یک متر که توسط پمپاژ از رودخانه کارون تغذیه می شود، انجام گرفت. برای تنظیم دبی ورودی، دریچه کشویی در ابتدای کانال نصب و برای قرائت دبی از یک سرریز مستطیلی لبه تیز استفاده شد. سرریز با استفاده از ورق گالوانیزه ساخته شد و در پائین دست دریچه کانال نصب گردید. طرح شماتیک سری دوم آزمایشات در شکل 2 نشان داده شده است.
آزمایشات با سه دبی و برای دو نوع رسوبات ریزدانه - قطر متوسط 95/5 میکرون - و درشت دانه - قطر متوسط130 میکرون - و با غلظت های ورودی متفاوت انجام شده شرح انجام آزمایشات و اندازه گیری ها در مقاله سجادی و همکاران - 1388 - ارائه شده است.
شکل -2شماتیک کانال و لوازم مورد استفاده درآزمایشات صحرایی
- 2- 2 تئوری ریاضی شبکه عصبی مصنوعی ساختار کلی شبکه عصبی مصنوعی از شبکه عصبی انسان الهام گرفته شده و تقریبا قادر به انجام عملیات همانند سیستمهای عصبی زیستی ولی در اندازه و ابعاد بسیار ابتدایی میباشند. مدل پایه شبکه عصبی مصنوعی برای اولین بار توسط کولاچ و پتیس در سال 1943 میلادی ارائه گردید. بعد از آن تحقیقات زیادی به منظور توسعه شبکههای عصبی مصنوعی صورت گرفته به طوری که امروزه شبکههای عصبی مصنوعی با ساختارهای متفاوت به طور وسیعی در حوضههای مختلف علوم گسترش یافتهاند. یک شبکه عصبی مصنوعی یک سیستم پردازش اطلاعات میباشد که دارای کارایی و خواص شبکه مغز انسان میباشد در این تحقیق از شبکه عصبی: Generalized Regression Neural Nets استفاده گردید که به اختصار روش معرفی میگردد.
Generalized Regression Neural Nets در سال 1990 توسط دونالد اسپچ تدوین و توسعه یافتند.[9] شبکههای GRN معمولا جهت پیشبینیهای عددی و تابعی مورد استفاده قرار میگیرند. شبکههای GRN در سال 1995 توسط ماسترز توسعه یافتند. ساختار یک شبکه GRN با دو داده ورودی در شکل - - 3 آورده شده است.
شکل : 3 ساختار شبکه عصبی Generalized Regression
