تعیین قابلیت تکنیک های هوش مصنوعی در تخمین استهلاک انرژی سرریزهای پلکانی با رژیم جریان رویه ای

استهلاک انرژی در سرریز‌های پلکانی از اهداف اولیه این گونه سازه‌ها محسوب می‌شود. در این پژوهش دقت روش شبکه عصبی مصنوعی (ann)، روش مدل استنتاج عصبی فازی تطبیقی که بر اساس الگوریتم بهینه‌سازی کرم شب‌تاب آموزش‌ دیده است (anfis-fa) و روش برنامه‌‎نویسی بیان ژن (gep) در تخمین افت انرژی سرریز‌های پلکانی با رژیم جریان رویه‌ای مورد بررسی قرار گرفته است. همچنین با انجام آنالیز حساسیت به بررسی اهمیت پارامترهای ورودی در پیش‌بینی افت انرژی برای هر یک از سه روش ذکر شده پرداخته ‌شده است. بدین منظور از تعداد 154 سری داده آزمایشگاهی استفاده ‌شده است. پارامترهای ورودی برای هر روش شامل عدد فرود اولیه پرش، عدد آبشار، تعداد پلکان، شیب سرریز پلکانی و نسبت عمق بحرانی به ارتفاع پله هست. نتایج نشان می‌دهد که هر سه روش توانایی بالاتری در پیش‌بینی افت انرژی نسبت به روش‌های کلاسیک برای تخمین افت انرژی که بر پایه روش‌های متداول رگرسیون گیری بنا شده است داشته‌اند. نتایج روش anfis-fa (با 2/385=  maeو 02/979=r) تا حدودی بیشتر از روش gep (با2/672= maeو 02/978=r) است. دقت بیشتر ساختارهای شبکه عصبی مورد استفاده در این تحقیق پایین‌تر از دو روش فوق است. با این ‌وجود بیشترین دقت به‌ دست‌ آمده مربوط به شبکه عصبی پرسپترون چند لایه با 3 لایه مخفی با تعداد به تریتب 12 و 8 و 7 نرون در هر لایه (با 0/848= maeو 02/994=r) است. در هر سه روش موثرترین پارامتر، عدد آبشار و کم اثرگذارترین پارامتر، شیب سرریز پلکانی است.

determining the capability of artificial intelligence in estimating energy dissipation of skimming flow regime at stepped spillways

energy dissipation in stepped spillways is one of the primary goals of such structures. in this study, the accuracy of the artificial neural network (ann), adaptive fuzzy neural inference system based on the trained firefly algorithm utilized for optimization (anfis-fa) and the gene expression programming method (gep), in estimating the energy loss of skimming flow regime over stepped spillways was studied. also, by performing sensitivity analysis, the importance of input parameters in predicting energy loss for each of the three mentioned methods was investigated. for this purpose, 154 series of experimental data were considered. the input parameters for each method include hydraulic jump, froude number, drop number, number of steps, pseudo bottom slope and the ratio of the critical depth to the height of each step. the results show that all three methods had a higher ability to predict energy loss compared to classical methods based on conventional regression methods. the accuracy of the anfis-fa method is slightly higher than the gep method. the accuracy of the ann is slightly lower than mentioned methods. however, the highest accuracy is related to the multilayer perceptron ann with 3 hidden layers with 12, 8 and 7 nodes in each layer, respectively. in all three methods, the most effective parameter was found to be the drop number and the least effective parameter was the bottom slope.