بررسی عملکرد روشهای هوشمند در برآورد عمق آبشستگی پایین دست سرریز ها و سازه های کنترل
/علی عرفان
: دانشکده فنی مهندسی عمران
۱۳۰ص
چاپی
کارشناسی ارشد
در رشته مهندسی عمران سازه های هیدرولیکی
۱۳۹۲/۰۶/۲۵
تبریز
پیش بینی عمق آبشستگی در پایین دست سازه های کنترل مانند سرریزها و سازه های کنترل شیب یکی از مسائل ضروری در طراحی این سازه ها می باشد .آبشستگی در حقیقت جابجایی ذرات توسط جریان از محل استقرار اولیه آنها به مکان دیگری است که در اثر جریان های گردابی پیچیده شکل می گیرد، که در نتیجه باعث ایجاد گودال آبشستگی میگردد و میصتواند پایداری سازه را به خطر بیاندازد و یا حتی به تخریب سازه منجر شود .با توجه به تاثیر پارامتر های متعدد در آبشستگی، تعیین پارامترهای موثر و ایجاد رابطه ریاضی میان آنها بسیار پیچیده و مشکل می باشد .در برآورد عمق آبشستگی روشهای تجربی و کلاسیک ریاضی هنوز هم موفق نبوده اند و روشی دقیقتر برای بررسی این موضوع مورد نیاز است که از جمله میتوان به استفاده از روشهای نرم اشاره کرد .محاسبات نرم به دسته ای از روش های محاسباتی اطلاق می گردد که در آنها از شیوه های ابداعی ذهن انسان برای حل مسائل پیچیده استفاده می شود .در این تحقیق، روش شبکه های عصبی مصنوعی پیشخور و روش برنامه نویسی بیان ژن برای تخمین حداکثر عمق آبشستگی پایین دست سازه های کنترل با استفاده از داده های میدانی و آزمایشگاهی، و نیز ادامه چکیده معادلات تجربی موجود مورد بررسی و ارزیابی قرار گرفتند .پارامترهای هندسی و هیدرولیکی بالادست و پایین دست سرریزها و سازهصهای کنترل شیب در قالب ورودیصهای مختلف روشهای هوشمند در نظر گرفته شدند .نتایج بدست آمده نشان داد که در مورد هر سه سازه سرریز منتهی به پرتاب کننده جامی، سازه های کنترل شیب لبه تیز و سازه های کنترل شیب مایل روش شبکه های عصبی پیشخور بهتر از روش برنامه ریزی بیان ژن عمل می کند و همچنین عملکرد روشهای هوشمند نسبت به روابط کلاسیک موجود منجر به نتایج بهتری می شود .در نهایت برای هر کدام از مدلصهای برتر آنالیز حساسیت انجام و موثرترین پارامتر در هر مدل مشخص گردید
control structures) feedforward neural network method works better than gene expression programming method, also Intelligent methods performance is better than available experimental formulas-bucket spillways , sharp crested spillways and Grade-control structures is one of the essential issues in the design of these structures. In fact, Scouring is particles movement by flow from their original location to other location that formed by Complex turbulent flows. Regarding the effect of various parameters on scour, set the effective parameters and establish the mathematical relationship between them is extremely difficult. So far, field and laboratory research of scour downstream of control structures have resulted in presenting the multiple equations for estimation of the maximum depth of scour. The results of the mentioned equations are not general and acceptable due to the uncertainty about the function. Gene Expression Programming (GEP) method and Artificial Neural Network method is the evolutionary methods which can be used in the majority of natural phenomena due to high accuracy computational convergence and stimulation. In this study, artificial neural networks (FeedForward) and gene expression programming (GEP) methods were evaluated for estimating the maximum scour depth downstream of control structures using field and laboratory data compared with Experimental formulas. The results showed that In all three structures ( flip-Scour depth prediction downstream of control structures such as spillways and grade