بخشی از مقاله
خلاصه
یکی از سازههاي مستهلک کننده انرژي حوضچه آرامش است که در آن از پرش هیدرولیکی به عنوان عامل کاهنده انرژي استفاده میشود، بنابراین تعیین عمق ثانویه پرش به منظور طراحی هیدرولیکی صحیح حوضچه از اهمیت بسزائی برخوردار است. از انواع این نوع حوضچهها، می-توان حوضچه آرامش با شیب معکوس و پله مثبت و منفی را نام برد. روابط ارائه شده براي پرش در این نوع حوضچهها نشان میدهد که عوامل در تعیین عمق ثانویه شامل عمق اولیه جریان،دبی جریان،شیب کف و اختلاف ارتفاع پلهها میباشد.
در این تحقیق روش جدیدي با استفاده از شبکه عصبی مصنوعی - ANN - براي تعیین عمق ثانویه پرش بر اساس متغیرهاي مذکور ارائه گردیده است که با دقت بالا به شکل قابل ملاحظهاي از زمان انجام محاسبات میکاهد. شبکه مورد استفاده براي تخمین این پارامترهاي هیدرولیکی از نوع پرسپترون چند لایه - MPL - میباشد که از الگوریتم پسانتشار خطا براي یادگیري کمک میگیرد.
بدین منظور شبکههاي مختلف با ساختارها و خصوصیات گوناگون مورد آزمایش قرار گرفت و نهایتا شبکهاي که داراي بهترین عملکرد بود، انتخاب شد. پس از آموزش شبکه توسط دادههاي آزمایشگاهی، مشخص شد که مدل شبکه عصبی با تقریب مناسبی دادههاي آزمایشگاهی را برآورد میکند. نتایج بدست آمده از آزمون شبکه عصبی در این مقاله حاکی از آن است که شبکه عصبی مصنوعی به خوبی قادر به تعیین عمق ثانویه پرش هیدرولیکی در حوضچههاي آرامش با شیب معکوس و پله مثبت و منفی میباشد و جایگزین مناسبی براي فرمولهاي تئوریک خواهد بود.
.1 مقدمه
پرش هیدرولیکی به عنوان عامل مهم استهلاك انرژي از دیرباز مورد توجه بوده و از آن در حوضچههاي آرامش و بسیاري از متون علمی منتشر شده به عنوان راه حلی براي طراحی شرایط جریان پایدار و مستهلک نمودن پدیدههاي فرسایش دهنده استفاده میشود. در مورد عواملی که باعث کنترل موقعیت پرش شده و مشخصات آن را در جهت اقتصاديتر کردن سازههاي مرتبط تغییر میدهند، تحقیقات قابل ملاحظهاي صورت گرفته است اما تا کنون بیشترین تحقیقات بر روي کفهاي افقی و به ندرت کفهاي با شیب مثبت بوده و ایجاد شیب منفی و پلههاي مثبت و منفی در مسیر پرش به دلیل مشکلاتی که بر سر راه تحقیق در این زمینه وجود دارد کمتر مورد توجه قرار گرفته است
شکل - 1 نمایی شماتیک از پرش هیدرولیکی بر روي شیب معکوس
بیدان اولین کسی بود که بر روي پرش هیدرولیکی تحقیق نمود و پس از آن بلانگر این پدیده را برروي شیبهاي ملایم و تند مورد بررسی قرار داد - اسماعیلی، . - 1374 اما پرش در روي حوضچههاي با شیب معکوس در ابتدا توسط استیون - 1944 - مورد مطالعه قرار گرفت و سپس توسط خدر و راجاگوپال - 1972 - ادامه یافت. این تحقیقات نشان داد که براي یک عمق معین با افزایش شیب معکوس نسبت عمق ثانویه به عمق اولیه کاهش مییابد.
بیرامی و چمنی - 2006 - نسبت اعماق مزدوج پرش را بر روي سطوح شیبدار بررسی نمودند و دریافتند که شیب معکوس حوضچه آرامش نسبت عمق ثانویه پرش را کاهش میدهد در حالی که شیب مثبت باعث افزایش این نسبت میگردد.
اسماعیلی - 1374 - پرش هیدرولیکی روي شیبهاي معکوس با پله مثبت و منفی را مورد مطالعه قرار داد. در این تحقیق مشخص شد که ایجاد پله مثبت اثر مطلوبی بر نسبت عمق ثانویه به عمق اولیه پرش دارد و این موضوع امکان کاهش ارتفاع آزاد حوضچه را فراهم میکند که میتواند به لحاظ اقتصادي بسیار مهم باشد. عباسپور و همکاران - 1388 - به بررسی تاثیر بستر موجدار سینوسی بر خصوصیات پرش هیدرولیکی پرداختند.نتایج این تحقیق نشان داد که از بسترهاي موجدار براي استهلاك انرژي پرش هیدرولیکی در حوضچههاي آرامش با کارایی بهتر میتوان استفاده کرد.
همچنین شجاعیان و همکاران - 1389 - پرش هیدرولیکی در مقاطع مستطیلی واگرا با شیب معکوس را بررسی کردند که طی آن مشخص شد این نوع پرش کاهش 37/22 درصد نسبت اعماق مزدوج و 61 درصد طول پرش و همچنین افزایش 54 درصد افت انرژي پرش هیدرولیکی در مقطع واگرا با شیب معکوس در مقایسه با پرش کلاسیک را دارا میباشد و بنابراین از مقاطع واگرا با شیب معکوس براي استهلاك انرژي پرش هیدرولیکی در حوضچههاي آرام کننده جریان میتوان استفاده نمود.
خورچانی و بلانپاین - 2005 - با استفاده از شبکه عصبی مصنوعی یک معادله دبی با دقت بالا براي سرریزهاي جانبی بدست آوردند که ضریب تخلیه را از روي وزنهاي رشتههاي شبکه عصبی بدست میآورد. یونال و همکاران - 2009 - تکنیک شبکه عصبی را با روشهاي یک بعدي و دو بعدي تخمین ظرفیت دبی در کانالهاي مستقیم با مقطع ترکیبی مقایسه کردند و مشخص شد که مدل شبکه عصبی مصنوعی به لحاظ آماري، نتایج بهتري نسبت به سایر روشهاي موجود از خود نشان میدهد.
امیراقلو و همکاران - 2010 - با استفاده از تکنیک نرو - فازي به بررسی ضریب دبی در سرریزهاي جانبی پرداختند. محمدي و همکاران - 1389 - به کمک فرمولهاي تئوریک و شبکه عصبی مصنوعی، دبی در سرریزهاي لبهتیز ترکیبی را برآورد کردند و این دو روش را با یکدیگر مقایسه نمودند. همچنین محمدي و همکاران - 1390 - به بررسی کاربرد شبکه عصبی در چگونگی تاثیر پارامترهاي مختلف هیدرولوژیکی بر تراز سطح آب دریاچه ارومیه پرداختند. در این ثحقیق مشخص شد آبهاي زیرزمینی نیز میتواند به عنوان عاملی موثر در تغییرات تراز سطح آب این دریاچه در نظر گرفته شود.
جدول -1 روابط ارائه شده براي پرش هیدرولیکی روي سطوح با شیب معکوس و پله مثت و منفی
که در این روابط GA پارامتر پرش معکوس یا پرش شیبدار، Y d2 / d1 نسبت عمق ثانویه پرش به عمق اولیه، Z z / d1 نسبت بی بعد ارتفاع پله به عمق اولیه پرش، Fr1 عدد فرود در محل عمق اولیه پرش، زاویه کانال با افق، k ضریب تصحیح به خاطر افقی بودن پروفیل پرش و l طول کانال میباشد.
با توجه به وقتگیر، سخت و طولانی بودن محاسبات در فرمولهاي جدول - 1 - و همچنین امکان بروز خطا در طول محاسبات و به خصوص محاسبه ضریب k، استفاده از روشی با دقت بالا و صرف زمان کمتر براي انجام محاسبات، مناسب و ضروري به نظر میرسد. نتیجه این عمل میتواند تعیین سریع خصوصیات فیزیکی و هیدرولیکی محل پرش با محاسبه تعداد زیادي عمق ثانویه پرش با خصوصیات مختلف در زمان کوتاهی باشد که با استفاده از آن به راحتی میشود خصوصیات فیزیکی و هیدرولیکی مورد نظر خود را براي طراحی حوضچه آرامش به لحاظ شرایط اقتصادي بهتر و عملکرد هیدرولیکی بالاتر اعمال نمود.
از این گونه روشها میتوان به منطق فازي، الگوریتم ژنتیک، شبکههاي عصبی مصنوعی و غیره اشاره کرد که تحت عنوان هوش مصنوعی - Artificial Intelligence - طبقهبندي میشوند. بنابراین در تحقیق حاضر با توجه به توانایی شبکههاي عصبی مصنوعی در تعیین روابط پیچیده و غیرخطی، به بررس کاربرد و دقت شبکه عصبی مصنوعی در تعیین اندازه عمق ثانویه پرش هیدرولیکی براي حوضچههاي آرامش با شیب معکوس و پله مثبت و منفی خواهیم پرداخت.
.2 مواد و روشها
ساختار شبکه عصبی مصنوعی
این شبکه تقلید بسیار سادهاي از مغز انسان بر اساس یک پیکر بندي ریاضی است که قادر به پردازش روي دادههاي تجربی و کشف قوانین یا دانش نهفته در پشت دادهها میباشد، بگونهاي که از چند لایه و در هر لایه از چند گره - نرون - تشکیل شده است - منهاج، . - 1377 معمولیترین نوع شبکه عصبی مصنوعی که در بسیاري از موارد مهندسی و همچنین تحقیق حاضر به کار رفته است، مجموعهاي از نرونهاي پایه هستند که تشکیل دهنده لایه ورودي، یک یا چند لایه پنهان و یک لایه خروجی میباشند. دادههاي ورودي در خلال شبکه و در مسیري رو به جلو به صورت لایه به لایه منتشر میشود. این نوع شبکه عصبی، پیشتغذیه کننده یا پرسپترون چند لایه - MLP - نامیده میشود
شکل - 2 نمایی از یک شبکه پرسپترون چند لایه - MLP -
شکل - 3 مدل تک نرون ورودي
نحوه عملکرد هر یک از نرونها در شکل 3 مشخص شده است و بدین صورت است که p و a به ترتیب کمیتهاي ورودي و خروجی میباشند. کمیت w میزان تاثیر p روي a را تعیین میکند - وزن ارتباطی لایهها - . از سوي دیگر نیز مقدار ثابت 1 در جمله b ضرب شده و با مقدار w p جمع میگردد. حاصل این جمع ورودي خالص n، براي تابع f خواهد بود. بدین ترتیب خروجی نرون توسط معادله زیر تعریف میگردد:
تابع غیر خطی f در واقع انتقال اعداد از لایهاي به لایه دیگر را بر عهده دارد، بنابراین باید به لحاظ ریاضی هموار باشد که از این میان تابع سیگموئید کاربرد بیشتري در مسائل مهندسی دارد
آموزش شبکه عصبی مصنوعی
آموزش بدین معنی است که مقادیر w و b طوري تغییر کنند که رابطه ورودي و خروجی نرون با هدف خاصی مطابقت کند
پرسپترونهاي چند لایه به شکلی موفقیتآمیز، با یکی از رایجترین الگوریتمهاي یادگیري به نام الگوریتم پسانتشار خطا Error Back- - - Propagation Algorithm براي حل مسائل پیچیده به کار میروند. در الگوریتم پسانتشار خطا در مسیر روبه جلو، بردار ورودي به گرههاي حسی شبکه اعمال شده و تاثیر آن در شبکه و از لایهاي به لایه دیگر منتشر میشود. در نهایت مجموعهاي از خروجیها به عنوان پاسخ واقعی شبکه تولید می- گردد و وزنهاي سیناپسی شبکه ثابت خواهند شد.
در مسیر رو به عقب، تمام وزنهاي سیناپسی با توجه قانون تصحیح خطا تنظیم میگردند. در واقع پاسخ واقعی شبکه از پاسخ هدف کاسته میشود تا سیگنال خطا ایجاد گردد. سپس این سیگنال خطا در مسیر رو به عقب در شبکه منتشر میشود. از اینرو این الگوریتم، پس انتشار خطا نامیده میشود - محمدي و همکاران، . - 1389 در تحقیق حاضر دادهها بصورت تصادفی به دو مجموعه تقسیم شدهاند که %80 دادهها براي آموزش - از میان آنها %30 براي تست مرحله آموزش - و %20 باقیمانده نیز براي مرحله آزمون شبکه بکار رفته است.
تکنیک شبکه عصبی براي تخمین عمق ثانویه پرش هیدرولیکی در حوضچههاي آرامش با شیب معکوس و پله مثبت و منفی دراین تحقیق بر اساس فرمولهاي ارائه شده در جدول - 1 - عمق ثانویه پرش هیدرولیکی بر روي شیب معکوس با پله مثبت و منفی - d2 - تابعی از d1 عمق اولیه پرش، Q دبی جریان، S شیب حوضچه و z اختلاف ارتفاع پله فرض شده است.
