بخشی از مقاله
خلاصه
استفاده از روشهای هوش مصنوعی در برآورد بیشترین عمق آبشستگی زیر خطوط لوله حفر شده در کف دریا زیادی پیدا کرده است. نتایج این گونه مطالعات نشان داد که روشهای هوشمند تکاملی نسبت به روابط تجربی می توانند کارایی بیشتری را داشته باشند. لذا در این مطالعه، از مدل درخت - MT - جهت تخمین عمق آبشستگی زیر خط لوله در شرایط جریان آب زلال و بستر زنده استفاده می شود. متغیر های تاثیر گذار بر بیشترین عمق آبشستگی شامل خصوصیات فیزیکی رسوبات بستر، قطر لوله، عمق جریان بالادست و سرعت متوسط حریان بالادست می شوند. با استفاده از آنالیز ابعادی، پارامتر های موثر به عنوان متغیرهای ورودی مدل درخت مشخص می گردند. مدل درخت بر مبنای داده های آزمایشگاهی در دو شرایط مختلف رسوبی آب زلال و بستر زنده توسعه داده می شود. بعد از انجام مراحل آموزش و تست مدل MT، با استفاده پارامتر های معیار خطا عملکرد مدل پیشنهادی مورد بررسی قرار می گیرد. بیشترین عمق آبشستگی حاصل از مدل درخت با نتایج مدل هوشمند روش دسته بندی گروهی داده ها - GMDH - ، روابط تجربی ابراهیم و نالوری - - 1986، مونکادا و آگویرا - 1999 - می شوند. همچنین، تاثیر گذارترین پارامتر بر عمق آبشستگی زیر خط لوله با استفاده از آنالیز حساسیت مشخص می شود.
واژه گان کلیدی: مدلسازی آبشستگی، خطوط لوله، روش درخت، شرایط آب زلال، شرایط بستر زنده، روش های تجربی
-1مقدمه
برآورد عمق آبشستگی موضعییکی از مسائل مهمی است که همواره در طراحی سازههای هیدرولیکی که در مسیر روخانه و آبراههها بنا شده اند، مورد توجه مهندسین عمران بوده است. بی توجهی به این موضوع ممکن است خسارات مالی و جانی جبران ناپذیری را به وجود آورد. بیشترین مطالعات انجام شده مربوط به آبشستگی موضعی پایه پل میباشد.
در سه دهه اخیر آبشستگی موضعی در اطراف سازههای دریایی در بین مهندسین هیدرولیک از جایگاه ویژهای برخوردار شده است. چاو و هنسی - - 1972یک مدل تحلیلی جهت تخمین عمق آبشستگی در زیر خط لوله بر پایه برابر بودن سرعت جریان زیر خط لوله با سرعت بحرانی ذرات رسوب ارائه داد.
جلسدن - - 1973 عمق آبشستگی را در شرایط بستر زنده بصورت تابعی از سرعت نزدیک شونده جریان به خط لوله و قطر خط لوله ارائه کرد. در واقع چشم پوشی از اثرات عمق جریان و دانهبندی مواد بستر بر عمق آبشستگی از مهمترین محدودیتهای رابطه تجربی پیشنهادی بود. ابراهیم و نالوری - - 1986 براساس آزمایشات خود رابطه رگرسیونی جهت برآورد عمق آبشستگی بصورت تابعی از سرعت نزدیک شونده جریان به خط لوله، عمق جریان و قطر خط لوله بدست آوردند.در دهه اخیر استفاده از روشهای هوش مصنوعی در حل مسائل آبی گسترش زیادییافته است. هر یک از این روشها با داشتن خصوصیات ذاتی منحصر به فرد خود میتوانند رفتار پدیدههای فیزیکی در طبیعت را به خوبی پیشبینی کنند. از آنجا که دقت روشهای هوش مصنوعی بیشتر از تکنیکهای رگرسیونی خطی و غیرخطی میباشد، از این رو بیشتر محققان استفاده از روشهای هوشمند را ترجیح میدهند. در این تحقیق از روش مدل درختی - 1 - MT جهت تخمین عمق آبشستگی اطراف لوله های حاوی انتقال سیال استفاده می شود. نتایج حاصل شده از این تقریب سازی،الگوریتم - MT - با الگوریتمهای روش دسته بندی گروهی داده ها - 2 - GMDH و روابط تجربی موجود مقایسه خواهد شد.
-2تحلیل دادههای آزمایشگاهی مربوط به آبشستگی زیر خطوط لوله
عموما، پدیده آبشستگی در اطراف خطوط لوله در دو شرایط اصلی جریان بالادست یعنی جریان آب زلال و بستر زنده رخ می-دهد. از آنجا که مکانیسم این دو فرآیند آبشستگی کاملا با هم متفاوت میباشند، مدل سازی آبشستگی زیر خط لوله در این دو شرایط بطور جداگانه انجام شده است. دی وسینگ - - 2008 و مونکادا و آگویرا - 1999 - آزمایشهای آبشستگی را به ترتیب در شرایط آب زلال و بستر زنده انجام دادند. پارامترهای موثر بر عمق آبشستگی زیر خطوط لوله را میتوان بصورت تابع زیر نشان داد:
که ds ، U، y ، ، S ، ، S0 ، B ، d50 ، D ، e و g درآن به ترتیب عمق آبشستگی، متوسط سرعت جریان بالادست، عمق جریان نزدیک شونده به خط لوله، جرم مخصوص آب، جرم مخصوص رسوبات بستر کف، لزوجت مطلق سیال، شیب کف لوله، عرض کانال، قطر میانه ذرات بستر، قطر لوله، شکاف بین کف لوله و سطح بستر و شتاب ثقل میباشند. با استفاده از آنالیز ابعادی، دسته پارامترهای بی بعد زیر حاصل میگردند:
که در آن پارامتر شیلدز می باشد. شکل - 1-3 - دیاگرام شماتیک اطراف لوله انتقال سیال همراه با تعریف پارامترها را نشان می دهد.
شکل : - 1-2 - دیاگرام فرضی از آبشستگی زیر خطوط لوله تحت اثر جریان بالادست - Azamathulla et al., 2011 -
محدوده تغییرات پارامترهای تابع - 2-3 - در جدول - 1-3 - بیان شده است
جدول : - 1-2 - دامنه تغییرات پارامترهای بر عمق آبشستگی در زیر خط لوله در شرایط جریان یکنواخت
