بخشی از مقاله
آبشستگی موضعی پاییندست سازههای هیدرولیکی بلند و کوتاه، سرریزها و کالورتها، یکی از زمینههای تحقیقاتی مهم میباشد، که از دیرباز مورد توجه مهندسین و محققین بوده است. پیشبینی ابعاد توسعه این فرسایش و روشهای کنترل و کاهش آن یکی از مواردی است که در طراحی این سازهها مورد توجه قرار میگیرد.حوضچههای آرامش یکی از متداولترین سازههای مورد استفاده در پایانهی سازههای هیدرولیکی به شمار میروند.
در مطالعه حاضر به بررسی توانایی شبکه عصبی مصنوعی پیشخور در تخمین حداکثر عمق آبشستگی، و محل وقوع آن در پاییندست حوضچههای آرامش دارای آستانهی انتهایی پرداخته شدهاست. به منظور بررسی عملکرد شبکه عصبی، نتایج حاصل با دادههای آزمایشگاهی به دست آمده از مدل فیزیکی مقایسه گردیدهاست. نتایج نشان میدهد که شبکه عصبی به خوبی قادر به تخمین پارامترهای آبشستگی میباشد.
مقدمه
هر ساله هزینههای زیادی برای کنترل و جلوگیری از تخریبهای حاصل از آبشستگی در پاییندست سازههای آبی، در مواقع سیلابی و غیرسیلابی، صرف میگردد. مثالهای متعددی از آبشستگی را میتوان نام برد که عمدهی آنها آبشستگی در اطراف پایهی پلها، اطراف پی سازههای آبی، پاییندست حوضچههای آرامش و پایاب تندابها و آبشارها میباشند. بر اثر این پدیده، مواد بستر توسط جریان آب کنده شده و سپس حمل میگردد که نتیجهی آن به هم خوردن وضعیت ریختاری رودخانه و ایجاد حفرهی آبشستگی در اطراف این گونه سازهها خواهد بود. بتدریج با توسعهی حفرهی آبشستگی، زیر سازه از مواد بستر خالی شده و در نتیجه پایداری سازه مورد تهدید قرار میگیرد.
تا به حال مطالعات فراوانی بر چگونگی پدیدهی آبشستگی و تخمین ابعاد آن در آبراههها و بخصوص اطراف پایهی پلها و در پاییندست خوضچههای آرامش انجام شده است و مدلهای متعددی معرفی شده است. که از این بین میتوان به تحقیقات انجام شده توسط بروزرز - 1965 - 2، راجاراتنام - 1981 - 3، فرهودی و اسمیت1982 - 4 و - 1985، حسن و نارایانان - 1985 - 5، بروزرز و رادکیوی - 1991 - 6، کاترجی و گاش - 1994 - 7، ملویل و رادکیوی - 1996 - 8، درگاهی - 2003 - 9، دی و سرکار - 2006 - 10، اولیوتو و کومونیلو - 2009 - 11، اشاره کرد.
محدودیت عمدهای که در مطالعات آزمایشگاهی به چشم میخورد محدودیت در شرایط آزمایشی نظیر دانهبندی و شرایط جریان است که میتواند بیانگر تأثیر تمام پارامترهای مؤثر نباشد. از طرفی با پیدایش و معرفی روشهای مدلسازی و شبیهسازی ریاضیاتی و آماری، میتوان مدلهای بهتر و دقیقتری را برای شبیهسازی و پیشبینی این پدیده ارائه کرد. در این تحقیق به بررسی توانایی شبکه عصبی مصنوعی پیشخور در تخمین حداکثر عمق آبشستگی، و محل وقوع آن در پاییندست حوضچههای آرامش دارای آستانهی انتهایی پرداخته شدهاست.
شبکه عصبی
معمولاً در ادبیات شبکههای عصبی، به جای اصطلاح تخمین ضرایب، از اصطلاح آموزش یا یادگیری استفاده می شود. در حالتی که به یادگیری تحت نظارت12 یا یادگیری با معلم معروف است، آموزش همراه با یک پیش قضاوت اولیه است. در حقیقت، ارزشهای متغیرهای هدف که شبکه باید بر اساس ارزشهای متغیرهای ورودی از طریق محاسباتش آنها را دوباره تولید کند، مشخص شده و سپس خطای پیش بینی برای هر مشاهده، بوسیله محاسبه اختلاف خروجی شبکه با ارزشهای متغیرهای هدف اندازه گیری میشود. معمولا شبکه عصبی از سه لایه ورودی، پنهان وخروجی تشکیل شدهاست. فرم معمول یک شبکه عصبی مصنوعی چند لایه در شکل - 1 - ، نمایش داده شدهاست.
شمای کلی شبکه عصبی
پس از آن، با استفاده از الگوریتم های مختلف تکرار1، که مشهورترین آن الگوریتم پس انتشار خطا است، وزنهای شبکه به گونهای که خطای پیشبینی داخل نمونه حداقل شود، تعدیل شده و اصطلاحاً شبکه آموزش داده میشود. در شبکه پس انتشار خطا - BPN2 - که شبکه ای پیشخور است؛ ابتدا در لایه ورودی دادهها وزندار شده سپس به لایه بعد ارسال میگردد. ورودی به هر نرون در لایه مخفی مجموع حاصلضرب اطلاعات ورودی و وزن های ارتباطی - پارامترهایی که مقادیر اولیه آنها به صورت تصادفی تعیین میشود - را با استفاده از معادله - 1 - ، محاسبه کرده و سپس این حاصل را با استفاده از یک تابع فعال سازی - در مطالعه حاضر تابع سیگموئیدی معادله - - 2 - به نرون لایه بعد میفرستد.
netj مقدار ورودی به نرون jام، wij وزن رابط نرون jام در لایه پنهان و نرون iام در لایه ورودی، xi مقدار ورودی به لایه iام، yj خروجی از نرون jام میباشد.مقادیر محاسبه شده خروجی با مقادیر واقعی آنها مقایسه و میزان خطا توسط شاخص خطا همچون مجموع مربعات خطا که فرم ریاضی آن در معادله - 4 - نمایش داده شده، محاسبه می شود. - 3 - در معادله - 3 - ، pو q بترتیب تعداد نرون در لایه خروجی و تعداد الگوها - خروجیها - ، مقدار خروجی واقعی - مشاهداتی - برای الگوی jام،مقدار محاسبه شده توسط شبکه میباشد. چنانچه مقدار خطا از خطای مطلوب که از قبل در نظر گرفته شده،
