بخشی از مقاله
خلاصه
آبشستگی بعد از دریچهها از موضوعات مهمی است که قبل از احداث دریچه، در طراحی و جانمایی دریچه مورد بررسی قرار میگیرد. یکی از پارامترهای مهم در ارزیابی آبشستگی، عمق آن می باشد. در این تحقیق با استفاده از شبکه عصبی مصنوعی، مدلی برای برآورد عمق آبشستگی استخراج شده است. برای بررسی دقت مدل در پیشبینی عمق آبشستگی ذرات، خروجیهای مدل با نتایج حاصل از 360 داده آزمایشگاهی مقایسه گردید و با استفاده از معیارهای ضریب همبستگی و میانگین خطای نسبی در نظر گرفته شده است. نتایج حاصل از مقایسه نشان دهنده دقت بیشتر مدل شبکه عصبی مصنوعی نسبت به سایر مدلها است.
-1 مقدمه
آبشستگی بستر در پایین دست سازههای هیدرولیکی از قبیل دریچهها و حوضچههای آرامش سدها و سرریزها یکی از مهمترین موضوعات مورد توجه محققین در علم هیدرولیک رسوب بوده و به لحاظ مشکلاتی که برای پایداری سازه بوجود میآورد به طور جدی بررسی شده است. تحقیقات بسیاری نیز برای بررسی و شناخت ماهیت و ساز و کار فرآیند آبشستگی انجام شده است که به لحاظ سادهتر شدن بررسیها بیشتر محققین آزمایشهای خود را بر روی رسوبات غیر چسبنده متمرکز کردهاند. در حالیکه در رودخانهها و در شرایط طبیعی، خاکها متشکل از ترکیبی از رسوبات چسبنده و غیرچسبنده و دارای طیف وسیعی از ذرات با اندازههای مختلف هستند.
آبشستگی فرآیند بسیار پیچیدهای دارد، به همین دلیل بسیاری از تحقیقاتی که بر روی آن صورت گرفته بصورت آزمایشگاهی بوده است. طبق نتایج تحقیقات صورت گرفته تاکنون، مشخص گردیده است که حداکثر عمق آبشستگی و یا هر طول مشخصه دیگر از گودال آبشستگی، به صورت تابع لگاریتمی از زمان افزایش مییابد. بعد از گذشت مدت زمان زیادی که میتواند از چند ماه تا چندین سال طول بکشد، آن طول مشخصه به تدریج به یک حالت تعادلی میرسد
برای مثال راجاراتنام و مک دوگال - 1983 - پیشنهاد کردند که برای آبشستگی ناشی از جتهای افقی متلاطم، بعد از گذشت مدت زمان 30 دقیقه، افزایش قابل توجهی در فرسایش بستر رخ نمیدهد
روابط تجربی و نیمه تجربی بسیاری برای پارامترهای مختلف آبشستگی از قبیل حداکثر عمق گودال در حالت تعادل، توسط محققین مختلف پیشبینی شده است. اغلب این روابط، حداکثر عمق آبشستگی را به عمق و دبی جریان و اندازه متوسط ذرات ارتباط میدهند. متاسفانه این روابط نتایج بسیار متفاوتی را به ازای شرایط یکسان جریان بدست می دهند. علیرغم روابطی که برای پارامترهای تعادلی گودال ارائه گردیده است، برخی گزارشات حاکی از آن است که مدت زمان لازم برای حصول شرایط تعادل برای گودال آبشستگی میتواند بسیار طولانی باشد و حتی در بعضی شرایط ممکن است گودال به تعادل نرسد .
لیم و یو - 2002 - به بررسی آبشستگی در پایین دست کف بند بعد از یک دریچه کشویی پرداختند. آنها با انجام چندین آزمایش و نیز جمع آوری یافتههای محققان پیشین، یک رابطه تجربی برای برآورد حداکثر عمق آبشستگی در حالت تعادلی در حضور کف بند ارائه کردند
درگاهی - 2003 - با استفاده از دو نوع رسوبات با اندازههای مختلف، به بررسی توسعه گودال آبشستگی رسوبات غیرچسبنده در انتهای کف بند بعد از یک سرریز از نوع لبه پهن پرداخت. نتایج آزمایشات وی، نشان دهنده عدم تقارن در عرض گودال آبشستگی بود. وی در نهایت روابط تجربی را بر حسب اندازهی ذره و بار آبی روی سرریز برای برآورد حداکثر عمق آبشستگی و فاصله محل وقوع آن از انتهای کف بند ارائه کرد
کلز و همکاران - 2001 - به بررسی تاثیر اندازهی ذره بر آبشستگی موضعی کانال در زیر دریچه کشویی پرداختند. آنها با استفاده از چهار دانهبندی از رسوبات غیر چسبنده گزارش کردند که در پایان آزمایشات خود به مدت 24 ساعت، به عمق تعادلی آبشستگی نرسیدند. نتایج آزمایشات نشان داد که برای ذرات با اندازه بزرگتر، آبشستگی کمتری رخ میدهد اما با افزایش دبی، تاثیر اندازه ذره کاهش می یابد
رحیمآورند و همکاران - 1386 - در پژوهشی تحت عنوان برآورد بار رسوب رودخانه رود زرد به مخزن جره با استفاده از شبکه عصبی مصنوعی، با بررسی دبی رسوب رودخانه زرد به این نتیجه رسیدند که شبکه بدست آمده نسبت به رابطه نمایی دبی- دبی رسوب از دقت بالاتری جهت برآورد دبی رسوب برخوردار است
میثاقی و همکاران - 1383 - با پیشبینی تغییرات کیفیت آب رودخانه زاینده رود با استفاده از شبکه عصبی مصنوعی به این نتیجه رسیدهاند که شبکه توانایی مناسبی در شبیهسازی تغییرات پارامتر کیفی اندازهگیری شده از رودخانه زاینده رود را داشته است. همچنین ایشان ذکر کردهاند که این مدلها میتوانند با حداقل پارامترهای اندازهگیری شده و با دقت قابل قبولی تغییرات متغیر مورد نظر را پیشبینی نمایند
ریاحی مدوار و همکاران - 1387 - طی پژوهشی با عنوان پیشبینی ابعاد حفره آبشستگی پایین دست سرریز با استفاده از سیستم تطبیقی استنتاج فازی-عصبی به این نتیجه رسیدند که مدل ارائه شده با شبکه، الگوی آبشستگی پایین دست سرریز را بخوبی شبیهسازی میکند و مشخصات هندسی حفره آبشستگی را با دقت بالا برآورد مینماید. همچنین بیان کردند مقایسه نتایج حاصل از مدل با روابط رگرسیونی بیانگر دقت بالای مدل نسبت به روشهای رگرسیونی سابق است
میرزایی و همکاران - 1389 - در مقالهای تحت عنوان پیشبینی تغییرات کیفیت آب رودخانه با استفاده از شبکه عصبی مصنوعی به این نتیجه رسیدهاند که شبکه عصبی در برآورد نتایج با استفاده از حداقل دادههای ورودی عملکرد بسیار مطلوبی را نسبت به سایر مدلهای موجود در بررسی پیشبینی تغییرات کیفیت آب رودخانه دارد
در این تحقیق با استفاده از شبکه عصبی مصنوعی به تخمین موقعیت آبشستگی در پاییندست دریچه کشویی پرداخته میشود تا با در نظر گرفتن وزنهای بهینه - به روش - Batch بهترین برازش مدل از دادهها انتخاب گردد.
-2 شبکه عصبی مصنوعی - ANNs -
شبکههای عصبی مصنوعی بر اساس ارتباطات داخلی بسیار گسترده، همانند سیستم عصبی و مغز انسان بنا نهاده شدهاند. شبکههای عصبی مصنوعی جزء سیستمهای دینامیکی میباشند که با پردازش دادههای تجربی قانون نهفته در ورای اطلاعات را به ساختار شبکه منتقل میکنند. به همین خاطر آنها را سیستمهای هوشمند مینامند، چرا که بر اساس محاسبات روی دادههای عددی و یا مثالها، قوانین کلی را فرا میگیرند
مدل پایه شبکه عصبی مصنوعی برای اولین بار توسط مک کولاچ و پیتس در سال 1943 میلادی ارائه گردید. در مدل مذکور نرون بصورت یک جمعکننده خطی وزندار و خروجی به شکل یک تابع غیر خطی از این مجموع f - zj - در نظر گرفته شد که f تابع آستانه نرون jام میباشد. در اغلب اوقات آنرا به شکل تابع باینری، تابع سیگموئید، تابع تانژانت هیپربولیک خطی یا گوسی در نظر میگیرند، که از میان آنها تابع سیگموئید بیشترین کاربرد را در مسائل مهندسی دارد.
در شبکههای عصبی مصنوعی، هر نرون زمانی فعال میشود که مجموع سیگنالهای رسیده به آن از حد آستانه مشخص تجاوز نماید. هر نرون ورودی را از دادههای اصلی و یا از خروجی نرونهای دیگر دریافت میکند. هر اتصال دارای وزن خاصی میان دو نرون میباشد. عملکرد هر نرون بدین ترتیب است که هر سلول، مجموع وزندار سیگنالهای ورودی را یافته و سپس آن را با حد آستانه تابع تحریک مقایسه میکند و بدین ترتیب خروجی هر نرون محاسبه میشود. بر اساس ترکیب مختلف نرونها و اعمال قوانین مختلف یادگیری، شبکههای مختلفی تشکیل میشود که از کاربردیترین آنها میتوان به شبکههای پرستپرون چند لایه - MLP - و شبکههای توابع پایه شعاعی - RBF - اشاره نمود
این سیستمهای مبتنی بر هوش محاسباتی، سعی در مدلسازی ساختار نروسیناپتیکی مغز بشر دارند. ساختار یک شبکه عصبی با تعیین تعداد لایهها، تعداد نرونها در هر لایه، تابع محرک - کنترل کننده خروجی هر نرون - ، روش آموزش، الگوریتم تصحیح وزنها و نوع مدل، تعیین میشود.
شبکههای عصبی مصنوعی با وجود اینکه با سیستم عصبی طبیعی قابل مقایسه نیستند، ولی ویژگیهایی دارند که آنها را در بعضی از کاربردها مانند تفکیک الگوها، رباتیک، کنترل و بطورکلی در هر جا که نیاز به یادگیری یک نگاشت خطی و یا غیرخطی باشد، ممتاز مینماید. این ویژگیها شامل قابلیت یادگیری، پردازش توزیعی و قابلیت تعمیم دهی میباشند.
ساختار کلی مدلهای شبکه عصبی مصنوعی از سه لایه تشکیل شده است:
▪ لایه ورودی: در این لایه اطلاعات ورودی به مدل معرفی میشوند.
▪ لایه و یا لایههای مخفی: در این لایه اطلاعات پردازش میشوند.
▪ لایه خروجی: نتایج حاصل از عملکرد مدل تولید میشوند.
در شکل - 1 - ساختار شبکه عصبی همراه با لایهها نشان داده شده است.
شکل - 1 نمایی از شبکه عصبی همراه با لایهها
عمل نرمالسازی دادهها :
در استفاده از شبکه عصبی مصنوعی نکته مهم دیگر بی بعد کردن دادهها قبل از اعمال به شبکه میباشد. اصولاً وارد کردن دادهها بصورت خام باعث کاهش سرعت و دقت شبکه میشود. برای احتراز از چنین شرایطی و همچنین به منظور یکسان کردن دادهها برای شبکه عمل نرمالسازی مطابق فرمول - 1 - صورت میگیرد :
که در این فرمول :
: X داده مورد نظر
: Xn داده نرمال شده
: XMin حداقل دادههای برداشت شده
: XMax حداکثر دادههای برداشت شده میباشد.
-3 مواد و روشها
کلیه آزمونها در آزمایشگاه هیدرولیک گروه مهندسی آب دانشگاه ارومیه، در یک فلوم آزمایشگاهی با دیواره هایی از جنس پرسپکس، به طول 8 متر، عرض 0/6 متر و عمق 0/4 متر و با بستر افقی انجام گرفت. فلوم آزمایشگاهی با ضخامت رسوبات 31 سانتیمتر همراه با مشخصات فلوم مربوطه در شکل - 2 - آمده است.
