استفاده از محاسبات نرم در شبیه‌سازی جریان‌های رسوبی

جریان های غلیظ از مهم‌ترین عوامل در کاهش عمر مفید سازه های آبی بخصوص سدهای مخزنی می باشند، بر این اساس محققین همواره به دنبال راهکارهایی جهت حذف این جریان ها و افزایش عمرمفید سدها بوده اند. یکی از کاربردی ترین روش های شناخته شده، ساخت مانع در مسیر این جریان ها می باشد. در این تحقیق آزمایشگاهی_عددی اثر مانع نفوذ پذیر ذوزنقه ای شکل (پر شده با دانه های شن با قطر نیم سانتی متر) بر هد جریان غلیظ و با در نظر گرفتن متغیرهایی همچون دبی، غلظت، شیب و ارتفاع مانع مورد ارزیابی قرار گرفته شد. بر اساس مقادیر درصد کاهش هد جریان غلیظ به‌دست‌آمده از آزمایش ها، اقدام به مدل سازی هد جریان غلیظ نمکی با روش نرم، سامانه استنتاج عصبی_ فازی تطبیقی (انفیس) شده و سپس با مقایسه نتایج آن با روش کلاسیک رگرسیون چند متغیره، کارکرد این دو روش مورد مقایسه قرار گرفته است. نتایج نشان داد که میزان خطا انفیس برای داده های آموزشی، اعتبارسنجی و تست به‌ترتیب 0.07، 0.033 و 0.03 و برای روش رگسیون چند متغیره به‌ترتیب 0.12 ،0.199 و 0.1084 بوده است همچنین مقادیر رگسیون آموزش و تست برای سامانه انفیس 0.9954 و 0.9652 بوده و برای روش کلاسیک رگرسیون چند متغیره0.93108 و 0.90396 بوده است که نشان از برتری کارایی سامانه انفیس در مدل سازی داده های هد دارد.

The application of soft computing in the simulation of sediment flows

Density flows are one of the most important factors in reducing the useful life of water structures, especially reservoir dams. Therefore, researchers have always been investigating solutions to eliminate these flows and increase the useful life of dams. One of the most practical methods known is to build an obstacle in the path of these currents. In this laboratorynumerical study, the effect of trapezoidal permeable obstacle (filled with 0.5 cm diameter grains) on the head of density flow is investigated and the effects of variables such as discharge, concentration, slope and height of the obstacle are studied. Based on the percentage reduction of the density flow head obtained from the experiments, the concentrated salt flow head is modeled using one of the soft computing methods known as the adaptive neuralfuzzy inference system (Anfis). Then, by comparing the results with the classical multivariable regression method, the performance of these two methods is compared. The error of training, validation and test data for the Anfis method are shown to be 0.07, 0.033 and 0.03, respectively, while for the multivariable regression method the mentioned errors are shown to be 0.12, 0.199 and 0.1084, respectively. Also, regression values for the training and test data for the Anfis method, are found to be 0.9954 and 0.9652 respectively whilst for the multivariable regression method, the mentioned parameters are shown to be 0.93108 and 0.90396 respectively which demonstrates the superiority and the efficiency of the adaptive neuralfuzzy inference system in modeling the head data.