بخشی از مقاله
یکی از عوامل تعیینکننده در تغییر مورفولوژی رودخانهها، پژوهش و تحلیل الگوی جریان داخل قوس آن میباشد. شناخت ویژگیهای جریان در این انحناها میتواند نقش مهمی در پیشبینی مورفولوژی رودخانهها داشته و بهعنوان خوراک اولیه طراحی سازههای هیدرولیکی مورداستفاده قرار گیرد. در این راستا، تحقیقات آزمایشگاهیعموماً از دقت بالاتری نسبت به پژوهشهای عددی برخوردار میباشند.
حالآنکه امکان برداشت داده از تمامی نقاط داخل کانال میسر نبوده و نیز تعداد بالای برداشتها مستلزم هزینه میباشد. ازاینرو در پژوهش حاضر، روش نوینی برای اولین بار و در قالب یک مدل شبکه مصنوعی شبکه پرسپترون چندلایه - MLP - جهت تخمین دادههای آزمایشگاهی در نقاطی که پیشتر برداشتنشده بودند، ارائه خواهد شد. برای این کار، یک مدل MLP توسط دادههای آزمایشگاهی آموزش دادهشده است.
ورودیهای مدل عبارتاند از مختصات x، y و z نقاط داخل کانال، و ارتفاع سطح آب و میانگین سرعت در عمق به عنوان خروجیهای آن تعریف شدهاند. مدل هوشمصنوعی ارائه شده در این پژوهش با دادههای عددی و آزمایشگاهی مقایسه شدهاند. تطابق خوبی بین دادههای پیشبینی شده با دادههای آزمایشگاهی موجود مشاهده شده، و مشخص گردید که مدل MLP بهتر از روش عددی عمل کرده و میتواند در پیشبینی الگوی جریانهای سه بعدی پیچیده مورد استفاده قرار گیرد.
.1 مقدمه
به دلیل قرار گرفتن عوارض طبیعی و یا انسانساخت، وجود انحنا در مسیر رودخانهها امری اجتنابناپذیر است. این مسئله برای ساکنین سواحل رودخانهها و یا افرادی که محل کار آنها در نزدیکی آبروهای طبیعی قرار داشته امری عادی بوده اصولاً خاطرات آنها حاکی از تغییر شکل تدریجی مسیر رودخانهها میباشد. از این مسئله تحت عنوان تغییرات مورفولوژی رودخانه یادشده و نتیجهی واکنش این آبراههها به عوامل رودخانهای و غیر رودخانهای است.
مورفولوژی رودخانهها به دلیل ویژگی پویای آن، همواره دچار تغییرات بوده و این مسئله میتواند به زمینهای کشاورزی و یا سازههای بناشده در سواحل و یا داخل رودخانهها آسیب وارد نموده و موجب افت کیفیت آب گردد. تغییرات مورفولوژی رودخانهها در طول 50 الی 100 سال به خوبی قابل درک است. عموماً تغییرات مورفولوژیکی رودخانهها به دلیل ویژگیهای اصلی زمینشناسی، خاکشناسی، مورفولوژیکی، هیدرولیکی، پوشش گیاهی و اقلیمی و بسیار دیگر از عوامل شناخته شده و یا شناخته نشده میتواند باشد. با توجه به اثرات سوء ناشی از این تغییرات تحلیل و ارائه راهکارهای نوین در خصوص جلوگیری و یا کاهش این تغییرات ضروری مینماید.
با توجه به پیچیدگی جریان در خم رودخانهها و کانالهای روباز و ماهیت سهبعدی بودن آن، بررسی آزمایشگاهی و یا عددی آن همواره موردتوجه محققین قرار داشته است. ازجمله مطالعات صورت گرفته در حوزه بررسی آشفتگی جریان در قوس کانالهای روباز به میتوان به کارهای بلنکارت1 اشاره نمود .[8 -1] در مطالعات متعدد وی در خصوص انحناهای تند کانالهای روباز حاکی آشفتگی جریان و تغییرات شدید بردار سرعت در طول خمها میباشد.
وی همچنین به بررسی جریان و الگوی آشفتگی در کانال قوسدار با زاویه 120 درجه پرداخته است .[6] ازجمله دیگر کارهای آزمایشگاهی صورت گرفته در این خصوص میتوان به پژوهش اختری و همکاران در سال 2009 اشاره نمود. در تحقیق مذکور به بررسی تغییرات سطح آزاد جریان در قوسها در حضور دیوار میانی و بدون آن پرداخته شده است .[9] آزمایشها بر روی قوسهای 30، 60 و 90 درجه انجام گرفت. در آزمایشهای صورت گرفته نسبت شعاع انحناء به عرض کانال برابر با 1/5 بوده و نتایج جهت دبیهای مختلف مورد تحلیل قرارگرفته است.
از جمله کارهای عددی صورت گرفته در این رابطه نیز میتوان به شبیهسازی سهبعدی پارامترهای جریان در قوس تند 90 درجه توسط رامامورتی2 اشاره نمود. جهت گسسته سازی معادلات و انجام شبیهسازی، وی از مدل تجاری فلوئنت3 و فوئنیکس4 استفاده نمود. برای این کار، مدل عددی با سه مدل آشفتگی k- - RNG - ، مدل تنش رینولدز - RSM - ، شبیهسازی گرداب بزرگ - LES - 5 و سه مدل برای رفتار سطح آزاد بکار گرفته شده و نتایج حاصله با یکدیگر مقایسه شدند. نتایج حاکی از آن است که مدلهایVOF و RSMبهترین جوابها را ارائه دادهاند .[11 ,10]
سیداشرف و اختری نیز در سال 2016 به بررسی الگوی جریان در خم تند 90 درجه پرداخته و با ارائه روشی نوین سعی نمودند ناحیه جداشدگی جریان در ساحل داخلی را در این کانالها کنترل نماید .[12] برای این کار، آنها مدلی عددی ارائه نموده و برای افزایش دقت شبیهسازیها، مدلهای مختلف آشفتگی را مدنظر قرار دادند. با بررسی پنج مدل آشفتگی k استاندارد، k RNG ، k realizable ، k و RSM ، مشخص نمودند که مدل آشفتگی RSM از منظر دقت نتایج بهتری را ارائه میدهد.
تاکنون با اندازهگیریهای آزمایشگاهی، صحرایی و نیز شبیهسازیهای عددی، ویژگیهای جریان در قوس آبراههها ازجمله توزیع سرعت، تراز سطح آب، تنش برشی در جدارهها و ... موردبررسی قرارگرفتهاند. در این پژوهش، سعی خواهد شد تا با ارائه روشی نوین، با استفاده از روش شبکه عصبی - CI - روش شبکه پرسپترون چندلایه - MLP - 6، خصوصیات اصلی جریان از قبیل ارتفاع سطح آب و سرعت در تمامی طول کانال پیشبینی گردد. علاوه بر تست کاربرد روشهای نوین در پیشبینی جریان، بهکارگیری این روش موجب میگردد تا برداشت داده در تمامی نقاط جریان؛ بهویژه نقاطی که در روند برداشت داده در محیط آزمایشگاهی جمعآوری نشدهاند، امکانپذیر گردد.
.2 هندسهی مسئله
جنس دیوارهها و کف از پلکسی گلاس شفاف انتخاب شده است. ورقهایی از جنس گالوانیزه نیز به ضخامت 4 میلیمتر در محور مرکزی قوس که طول آن از ابتدای قوس شروعشده و تا انتهای قوس ادامه دارد بهعنوان دیوار میانی غیرمستغرق در قوس نصب گردید.
