برآورد ضریب زبری بستر کانال‌های خاکی با استفاده از روش‌های شبکه‌های عصبی مصنوعی و سیستم‌های استنباط فازی عصبی-تطبیقی

برآورد ضریب زبری در طراحی کانال های خاکی از اهمیت زیادی برخوردار می‌باشد. این مساله حتی در مدل‌سازی عددی پدیده انتقال رسوب دارای اهمیت به‌سزایی است. به همین منظور، تاکنون روش‌های تجربی زیادی برای برآورد ضریب زبری در کانال‌ها ارائه شده است که غالبا دارای خطای زیادی در برآورد پارامتر مورد نظر می‌باشند. بنابراین، در این مقاله با استفاده از روش های ابزار محاسبات نرم مبتنی بر شبکه‌های عصبی مصنوعی و سیستم استنباط فازی عصبیتطبیقی به ارائه مدل‌هایی جهت برآورد میزان ضریب زبری در کانال‌های خاکی پرداخته می‌شود. در این مدل‌ها پارامتر بی بعد شده عمق آب با اندازه متوسط رسوبات ( d50/h) ، عدد رینولدز برشی(  rx )،پارامتر شیلدز ( θ ) و پارامتر بی‌بعد شده سرعت سقوط ذرات با سرعت برشی جریان  (f u w)  ، به‌دست آمده از روش تحلیل ابعادی باکینگهام، به عنوان پارامتر ورودی روش های ابزار محاسبه نرم می‌باشند. پس از شبیه سازی و توسعه این مدل‌ها نتایج نشان می‌دهد که دقت روش‌های سیستم استنباط فازی عصبی تطبیقی ) 8433/0r2=  ( و شبکه‌های عصبی (0/8415 = r2 ) بالاتر از روابط تجربی متداول و روش‌های رگرسیونی خطی و غیرخطی برای برآورد این ضریب می‌باشد. همچنین، آنالیز حساسیت خطای برآورد در برابر حذف پارامترهای مختلف ورودی موثر بر ضریب زبری نشان می‌دهد پارامترهای دیگری مانند عدد رینولدز برشی و پارامتر عمق بی بعد آب در کانال نیز در میزان ضریب زبری بستر کانال های خاکی موثر است که در روابط تجربی ارائه شده این ضریب نادیده گرفته می‌شد. لازم به ذکر است که عدد رینولدز برشی به عنوان موثرترین پارامتر در مدل‌های مذکور شناخته شد. همچنین نتیجه گرفته شد که مدل‌های توسعه داده شده می‌توانند به عنوان گزینه‌ای مناسب جهت برآورد ضریب زبری کانال‌ها خاکی باشند. این مساله با توجه به دامنه وسیع مکانیزم انتقال رسوب بیشتر اهمیت پیدا می‌کند.

Estimation of Roughness Coefficient in Erodible Channels by ANNs and the ANFIS Methods

Estimating the roughness coefficient of erodible open channels plays an important role in their hydraulic design. This parameter also is important for the development of numerical models. For this reason, several empirical methods have been presented so far to estimate the roughness coefficient, while these methods are not sufficiently accurate. In this paper, the socalled Artificial Neural Networks (ANNs) and Adaptive NetworkBased Fuzzy Inference System (ANFIS) methods as soft computing methods are used to estimate the roughness coefficient in erodible open channels. To achieve this, nonedimensional water depth with sediment particle averaged size ( hd50 ),, shear Reynolds numbers (R*) , Sheilds parameter (θ), and nonedimensional sediment falling velocity with shear velocity (wU f ) in channel obtained by Buckingham dimensional analysis are considered as input variables. Final results show ANFIS (R2 =0.8433) and ANNs (R2 =0.8515) model performance in comparison to empirical methods and regressionbased methods like Multilinear regression and multi nonlinear regression methods to estimate the roughness coefficient. Evaluation of the input variables’ effectiveness on the coefficient via a sensitivity analysis versus the variation of error estimation by elimination of variables shows effectiveness of variables like shear Reynolds number and nonedimensional water depth usually ignored in empirical methods. The final results showed that due to complicity of sediment transport mechanism in erodible channels, models developed here can be a suitable alternative to estimate roughness coefficient.