رویکرد شبیه سازی-بهینه‌سازی جهت تعیین مشخصات بهینه ی سدهای تاخیری پاره سنگی در شرایط سیلابی

سدهای تاخیری پاره سنگی از جمله روش های سازه ای مهار کردن سیلاب هستند که هیچ هسته یا غشاء نفوذ ناپذیری نداشته و به طور عمده جهت مهار سیلاب به کار می روند. این سدها بده ی اوج سیلاب عبوری را کاهش داده و در زمان وقوع آن تاخیر ایجاد می نمایند؛ بدین ترتیب خسارات جانی و مالی سیل را در پایین دست، کمتر می کنند. شاید بتوان گفت برای اولین بار، روش شناسی جدیدی برای تدوین یک نمونه ی شبیه‌سازی - بهینه‌سازی جهت تعیین مشخصات بهینه ی سدهای تاخیری پاره‌سنگی در این پژوهش ارائه گردیده است. نمونه ی مذکور، برمبنای فرانمونه ی شبکه عصبی مصنوعی پرسپترون چندلایه، و نمونه ی بهینه‌سازی الگوریتم ژنتیک استوار است. بدین‌منظور، در ابتدا، از داده های منتج از آزمایش های مربوط به نمونه ی آزمایشگاهی محیط متخلخل پاره سنگی، مربوط به خرم شکوه (1391) جهت آموزش و اعتبارسنجی نمونه ی شبکه ی عصبی پرسپترون چند لایه استفاده شده است. در ادامه، با اتصال نمونه ی شبکه ی عصبی مصنوعی صحت‌سنجی شده به عنوان یک فرانمونه ی شبیه ساز رفتار هیدرولیکی سد پاره سنگی، به نمونه ی بهینه‌سازی الگوریتم ژنتیک، نمونه ی شبیه‌سازی بهینه‌سازی، به منظور تعیین مشخصات بهینه ی سد تاخیری پاره سنگی با لحاظ تعامل بین متغیرهای طراحی و آب نگار سیل عبوری از سد تاخیری پاره سنگی، تدوین گردید. نتایج حاصل از روش شناسی پیشنهاد شده، نشان می دهند که ضخامت بهینه ی محاسبه شده مربوط به محیط متخلخل پاره سنگی، بازاء جمیع بده ی سیلاب‌های محتمل، 17.6 سانتیمتر بوده و همچنین قطر متوسط بهینه ی سنگدانه های تعبیه شده در بدنه، 2 سانتیمتر حاصل گردیده است. همچنین، بازاء مقادیر بهینه ی طراحی، بده ی اوج آب نگار سیل عبوری از محیط متخلخل پاره سنگی %47.18 کاهش یافته است و طول مدت سیلاب نیز در شرایط بهینه، %39.94 افزایش داشته است.

A simulationoptimization approach to determine optimum features of detention rockfill dams under flood condition

Detention rockfill dams are one of the structural methods that can control flood risks with no impermeable core or membrane. These dams decrease the maximum discharge of flood hydrograph and postpone the time of its occurrence reducing life and financial losses in downstream. In this research study, maybe for the first time, a new methodology based on MultiLayer Perceptron (MLP) artificial neural network metamodel and genetic algorithm optimization model is proposed for optimum design of detention rockfill dam. Hence, results of experiments done on the rockfill dam model, from Khorramshokouh (1391), are used in order to train and validate the MLP neural network model. The MLP neural network model is in fact a metamodel of simulating the hydraulic performance of detention rockfill dam which is linked to genetic algorithm optimization model to determine the optimal features of detention rockfill dam regarding the relationship between design variables and flood hydrograph passed through the porous media. Results of the proposed methodology depict that for the total discharges of probable floods, the optimum thickness of detention rockfill dam and the mean diameter of rockfills in the porous media are 17.6 cm and 2 cm, respectively. Also, in the optimum state, the peak discharge of flood hydrograph has 47.18% reduction and flood duration increases 39.94%.