پیش‌بینی دبی جریان در کانال مرکب مستقیم با استفاده از روش دسته‌بندی گروهی داده‌ها

پیش بینی دبی جریان در کانال‌های مرکب یکی از مهمترین مسائل مهندسی هیدرولیک است. از مهمترین پارامترهای جریان در کانال‌های مرکب نیز می‌توان به تنش برشی ظاهری اشاره کرد که در اثر اختالف سرعت جریان در کانال اصلی و سیلاب دشت‌ها در محل اتصال کانال اصلی به سیلاب دشت‌ها به وجود می‌آید. تنش برشی ظاهری باعث ایجاد آشفتگی و گردابه‌های سه بعدی در مرز کانال اصلی و سیلاب دشت‌ها و نیز کاهش دبی کل جریان می‌گردد. در این پژوهش، دبی جریان در کانال‌های مرکب مستقیم با استفاده از روش‌های تجربی، روش دسته‌بندی گروهی داده‌ها و شبکه عصبی چند لایه مدل‌سازی و پیش‌بینی شد. پارامترهای بی‌بعد مورد استفاده بدین منظور عبارتند از عمق نسبی جریان، شعاع هیدرولیکی نسبی، مساحت نسبی و زبری نسبی. نتایج نشان داد که روش دسته‌بندی گروهی داده‌ها با ضریب تبیین 0/91 و ریشه میانگین مربعات خطای 0/057 دارای مناسب‌ترین عملکرد در تخمین دبی جریان در کانال‌های مرکب است. بررسی ساختار روش دسته‌بندی گروهی داده‌های توسعه داده شده نشان می‌دهد که عمق نسبی جریان و مساحت نسبی تاثیر بیشتری را در مدلسازی ظرفیت کانال‌های مرکب دارند. بررسی عملکرد مدل شبکه عصبی چند لایه توسعه داده شده نشان می‌دهد که این مدل با ضریب تبیین 0/82 و ریشه مربعات خطای 0/065 دارای دقت بیشتری نسبت به روش‌های تجربی است. تحلیل حساسیت شبکه عصبی چند لایه نشان داد که پارامترهای شیب طولی، عمق و مساحت نسبی تاثیر بیشتری در دقت پیش‌بینی جریان دارند که این نکته ساختار به دست آمده از روش دسته‌بندی گروهی داده‌ها را تایید می‌نماید

Prediction of Flow Discharge in Compound Open Channels Using Group Method of Data Handling

Prediction of flow through the compound open channel is one of the main problems in the field of hydraulic engineering. One of the main parameter related to the flow properties in the compound open channel is shear stress. The shear stress occurs because of difference of velocities between the main channel and floodplains. The shear stress is the main causes of turbulence and vortex creation on the border of main channel and floodplains. The difference between the roughness of main channel and floodplains intensifies the shear stress in the border zone and also decreases total flow discharge. In this paper, the flow discharge in compound open channels was predicted using group method of data handling technique. To do this, related dataset was collected from literature. Involved parameters in modeling are relative hydraulic depth (Hr ), relative hydraulic radius (Rr ), relative roughness (fr ) and relative area (Ar ). To compare the performance of GMDH with other types of soft computing methods, the MLPNN as most well[1]known soft computing technique was developed as well. Results indicated that the GMDH model with coefficient of determination 0.91 and root means square error 0.057 was more accurate than the MLPNN. Reviewing the structure of developed GMDH model showed that and are the most effective parameters on prediction of flow discharge in compound open channels.