بخشی از مقاله
چکیده
به دلیل خسارات وزیانهای بیشماری که سیلابها به انسانها واردنمودهاند،همواره تاثیر ویهای درزندگی بشر داشتهاند.بررسی اثرمقاومت جریان درکنترل سیلاب درکانالهای مرکب از اهمیت بالایی برخورداراست. معادلات زیادی در تعیین ضریب زبری مقاومت جریان ارائه شده اند. امابا توجه به پیچیده بودن درک فیزیک مربوط به مقاطع مرکب این روابط کارآیی چندان دقیقی ندارند.
دراین تحقیق از روش تقسیم مقطع - - VDM جهت برآورد ضریب زبری درتعامل بامدل شبکه عصبی RBFاستفاده گردید. معین گردید که شبکه RBFبا نرخ ثابت کمتر عملکرد دقیقتری دارد.برطبق نتایج ،استفاده از روشهای داده محوریا فراکاوشی همچون شبکه عصبی به جهت قابلیت برقراری روابط غیرخطی موجود میان پارامترها جایگزین مناسبی برای روابط تجربی ضریب زبری میباشد.
.1 مقدمه
پدیده سیل مانند سایز حوادث وبلایای طبیعی امری اجتناب ناپذیر است،زیراتمامی عوامل وقوع آن دراختیار بشرنمیباشد.لذا راههای شناخت ورفتاربااین پدیده طبیعی بهجهت کاهش خسارات و پیشگیری از آن الزامی است.یکی از راههای ومقابله با آن مدیریت جامع رودخانه ها بوده زیرا دراین نگرش میتوان با شناخت عواملی از جمله توزیع زمانی ومکانی،توپوگرافی،نوع کاربری اراضی و...پرداخت.تخمین دبی جریان دررودخانههای سیلابی از شرایط پیچیدهای ،مخصوصادرعمقهای بالاتر از عمق لبریز،برخوردار است.
دراین شرایط پیش بینی سرعت ودبی جریان بسیار پیچیده است.درهنگام سیلاب که آب مقطع اصلی را پرکرده و وارد بخش سیلابی رودخانه میشود،مکانیزم پیچیدهای اتفاق میافتد.جریان درمقطع اصلی رودخانه به دلیل عمق زیاد وضریب زبری کمترنسبت به دشتهای سیلابی ،سرعت زیادی دارددرحالیکه جریان دردشتهای سیلابی به دلیل عمق کم وضریب زبری زیاد،دارای سرعت بسیارکمتری است.
اختلاف سرعت جریان ،گرادیان قابل توجهی ایجادکرده بطوریکه تنش برشی قابل توجهی در مرز تماس بوجود می آیدو باعث انتقال مومنتم از مقطع اصلی به دشتهای سیلابی شده وسرعت جریان درمقطع اصلی راکاهش می دهد.باتوجه به تعریف کانال اصلی بخشی است که تراز کف آن پایینتراست وروانابهای معمول ودبی پایه را منتقل مینماید.در رودخانههای طبیعی عموما بسترو دیوارههای کانال اصلی از شن وماسه رودخانهای تشکیل میشودو دارای پوشش گیاهی ضعیف میباشد واز نظرهیدرولیکی از زبری کمتری درمقایسه بادشتهای سیلابی برخوردار است.
اما درمقابل دشتهای سیلابی دارای تراز کف بالاتری نسبت به کانال اصلی میباشد.این بخش درشرایط سیلابی واردعمل میشود وعموما نیزپوشش گیاهی قابل توجهی دارد ودرنتیجه از نظر هیدرولیکی از زبری بیشتری نسبت به کانال اصلی برخورداراست. این پدیده انتقال مومنتم که دراعماق دشتهای سیلابی کم باشدت بیشتری ظاهر میشود باعث میگرددکه روشهای معمول محاسبات انواع جریان درکانالهای منظم از دقت کافی برخوردارنمی باشد. رودخانه های طبیعی دردشتهای سیلابی با پوشش گیاهی زیاد مقاومت هیدرولیکی درمقابل جریان ایجاد نموده وباعث کاهش سرعت جریان میشود.
انتقال مومنتم جانبی بین ناحیهای که دارای پوشش گیاهی بوده وناحیه ای که فاقدپوشش گیاهی است برروی ظرفیت انتقال تاثیرمی گذارد و باعث تاثیرپذیری توزیع عرضی سرعت وتنش برشی میشود.با توجه به ساختارپیچیده جریان درچنین شرایطی پیش بینی درست جریان در رودخانههای سیلابی باعث کاهش خطرات ناشی از سیل و حفاظت از دشتهای سیلابی وانتقال رسوب میگردد.با توجه به نقش مهم زبری بستر کانال اصلی وسیلابدشت دررابطه باوقوع سیلاب ویا کاهش ظرفیت انتقال کانال مرکب به نظرمیرسدکه تخمین دقیق ضریب زبری مقاومت بسیار پر اهمیت میباشد.معادله مانینگ برای کانال مرکب درتعیین دبی و سرعت جریان بکارمیرود.
درمقاطع مرکب فاکتور زبری - n - به شکل معادله - 2 - بکارمی رود
دررابطه فوق شیب طولی بستر، مقطع می باشد.بنابراین، یک معادله - - 2ضروری میباشد.
: R شعاع هیدرولیکی ، فاکتور مقاومت جریان
:V سرعت میانگین برای نمایش تغییرات
در رابطه - 2 - : زبری مانینگ و فاکتور وزنی هرجز مقطع وNتعدادتقسیمات میباشد[20] براساس بررسیهای صورت گرفته توسط مشخص شده است،معادلات مقاومت جریان درتخمین دبی کانال مرکب مناسب نمی باشد
- Yang - نشان دادکه به جهت وجود ارتباط غیرخطی میان پارامترهای تاثیرگذاربر زبری مقاومت جریان روابط تجربی عملکرد نامناسب دارند.[17] تحقیقات نشان دادکه معادلات تجربی زبری کانال مرکب خطای زیادی دارند و دقت معادلات به نحوه تقسیم بندی مقاطع بستگی دارد. [18]بر طبق بررسیهای صورت گرفته روش های شبکه عصبی در تخمین فاکتوراصطکاکی زبری عملکرد دقیقی دارند
باارزیابی معادله تجربی زبری کانال مرکب مشخص گردید معادلات تجربی زبری کانال مرکب شامل پارامترمحیط تر، عملکرد دقیقتری نسبت به سایردارند. ظهیری دبی درکانال مرکب مستقیم با استفاده از روشهای شبکه عصبیMLP ،RBF وبا استفاده از متغیرهای عمق نسبی و عرض نسبی وزبری نسبی وشیب بسترو شیب جداره کانال برآورد نمود.[23] .ساهو دبی را درکانال مرکب مستقیم با روش های شبکه عصبی محاسبه نمود، مدل پیشنهاد وی نسبت به روشهای پیشین عملکرد دقیقتری نشان داد.[13] لی نشان داد که دقت روشهای برآورد ظرفیت انتقال به نحوه تقسیمبندی مقطع مرکب بستگی دارد.
.2 مواد وروشها
در تخمین ضریب زبری از دادههای آزمایشگاهی موسسه تحقیقات سیلاب انگلستان, FCF[24] , Skein[11] و Wormilton[16] ا ستفاده شده ا ست.دراین تحقیق در تعیین فاکتور زبری از پارامترهای هیدرولیکی همچون:Sدر صد شیب بستر،نسبت عرض سیلابدشت به کانال اصلی و نسبت زبری سیلابدشت به کانال اصلی - Br - ونسبت شعاع هیدرولیکی سیلابدشت به کانال اصلی میباشد.
درشکل - - 1نیز نحوه تقسیم بندی مقطع وپارامترهای مورد بررسی آورده شدهاند. مطابق شکل - 1 - در روشVDM 1 مقطع مرکب با ا ستفاده از خط فر ضی قائم به مقاطعی از لحاظ هیدرولیکی همگن تقسیم میشود. ازجدول - 1 - با توجه به محدوده چولگی وکشیدگی وانحراف استاندارد معین میگردد دادههای موردبررسی بطورنرمال توزیع شده اند.
.1 . 2شبکهRBF
یکی از پرکاربردترین گونه های شبکه عصبی ،شبکه تابع شعاع مدار - - RBFمی باشد حسن آنها زمان طراحی کوتاه تر آنهامی باشد . شبکه های RBFتقریب سازهای بسیار قدرتمندی هستند به طوری که با داشتن تعداد نرونهای کافی در لایه مخفی، قادر به تقریب سازی هر تابع پیوسته میباشند. شبکه RBF به واسطه آموزش سریع ،قابلیت تعمیم وسادگی وافر،بسیارموردتوجه هستند. از آنجایی که منحنی تابع گوس بصورت شعاعی متقارن است ،نرونهای لایه مخفی به نورونها تابع بنیادی شعاعی معروف هستند. تعداد نرون های لایه مخفی برابر با تعداد جفت های آموزشی موجود در مجموعه آموزشی تعداد نرون های موجود در لایه خروجی برابر با تعداد مولفه های بردار هدف هستند. در شبکه RBFوزن های لایه ورودی نیاز به آموزش ندارند و ترانهاده ماتریس ورودی به عنوان ماتریس وزن لایه اول اختصاص می یابد. وزن های لایه دوم شبکه RBFبا استفاده از قانون آموزش نظارت شده زیر تعدیل می شوند
-1 بردار ورودی Iاز مجموعه آموزشی، به شبکه ارائه میشود .
-2خروجی های نرونهای لایه مخفی محاسبه شده و بردار fرا تشکیل می دهند.
