پیش بینی نرخ فرسایش رسوبات چسبنده و تحلیل پارامترهای موثر بر آن به کمک شبکه عصبی مصنوعی

مکانیک انتقال رسوبات چسبنده متفاوت از رسوبات غیرچسبنده است. در تعیین نرخ فرسایش رسوبات غیرچسبنده از پارامترهای فیزیکی، همانند قطر متوسط و چگالی استفاده می‌گردد، در حالی‌که به علت ماهیت رسوبات چسبنده نرخ فرسایش آن‌ها به صورت رابطه‌ای با تنش برشی بستر با ضرایب ثابت مربوط به ویژگی هر نوع رسوب تعریف می‌گردند. در این تحقیق از اطلاعات آزمایشگاهی رسوبات چسبنده مصب رودخانه لویر استفاده شده است که پس از صحت‌سنجی نتایج در نرم افزار mike، داده‌های آزمایشگاهی توسعه داده شدند تا بتوان با داده‌های بیشتر و شرایط هیدرولیکی متفاوت‌تری، پدیده فرسایش رسوبات را مورد مطالعه قرار داد. در ادامه نظر به تعداد پارامترهای متعدد موثر در پدیده فرسایش رسوبات، از شبکه عصبی برای ایجاد ارتباط میان داده‌ها استفاده گردید. پارامترهای استفاده شده در مدل شامل مولفه‌های جریان و مشخصه‌های رسوبات و سیال می‌باشند. به علت عملکرد بهتر شبکه عصبی این داده‌ها پس از بی‌بعدسازی مورد استفاده قرار گرفتند. ضریب همبستگی و میانگین قدر مطلق خطای داده‌ها در شبکه عصبی مورد استفاده به ترتیب 98/ 0 و 0036/ 0 به دست آمدند که بیان‌گر عملکرد مناسب شبکه بودند. در نهایت پس از انجام تحلیل حساسیت وزنی، پارامترهای v/√τy/ρw و ρs/ρw به ترتیب بعنوان موثرترین پارامترهای افزایش و کاهش نرخ فرسایش معرفی شدند.

Prediction of Cohesive Sediment Erosion Rate and Analyzing the Effective Parameters Using Artificial Neural Network

Transferring mechanic of cohesive sediments are different from noncohesive sediments. For determining the erosion rate of noncohesive sediments, physical parameters such as average diameter and density are used, such as average diameter and density. Due to the nature of the cohesive sediments, their erosion rates are determined interrelated with the shear stress of the bed with fixed coefficients related to the characteristics of each sediment. In this study, experimental results on the cohesive sediments of the Loire estuary of France has been used. After validating the results in Mike software, experimental data were developed to study the erosion of sediment with more data and different hydraulic conditions. In the following, due to the number of various parameters affecting the sediment erosion phenomenon, a neural network was used to analyze the data. The parameters used in the model include flow components, sediment and fluid characteristics. Due to the better performance of the neural network, these data were used for dimensionless data. The correlation coefficient and mean absolute error of data in the neural network were 0.98 and 0.0036, respectively, which indicated the proper performance of the network. Finally, after performing the sensitivity analysis, the and parameters were introduced as the most effective parameters for increasing and decreasing erosion rates, respectively.