افزایش دقت پیش‌بینی ضریب دبی در سرریزهای لبه‌تیز قوس محور با استفاده از الگوریتم‌های تکاملی و شبکه هوش مصنوعی

سرریزها یکی از سازه ‌های متداول برای تخلیه و اندازه ‌گیری جریان هستند، به همین منظور این نوع سازه ‌های هیدرولیکی بسته به هدف مورد استفاده، دارای اشکال مختلفی هستند. ضرایب طراحی سرریز ها که در مراجع استاندارد طراحی در دسترس است، مربوط به سرریز هایی است که امتداد آن‌ ها عمود بر جهت جریان است. در برخی از موارد به‌دلیل محدودیت ‌های اجرایی و طراحی، استفاده از سرریزهای کنگره‌ای، سرریز های جانبی و همچنین، طراحی سرریزهای قوس محور اجتناب ‌ناپذیر است. تا کنون در زمینه تخمین ضریب دبی این سرریزها و نیز استخراج رابطه دبیاشل آن‌ها تحقیقات بسیار کمی انجام شده است. در این تحقیق، به کمک روش نوین بهینه ‌سازی برنامه ‌ریزی بیان ژن و همچنین، روش شبکه هوش مصنوعی روابطی بدون بعد بر اساس پارامترهای زاویه قوس سرریز و نسبت بار آبی بالادست سرریز به ارتفاع آن برای برآورد ضریب دبی این سازه‌ ها ارائه شده است. برای واسنجی و صحت‌ سنجی (آزمون) رابطه پیشنهادی، داده های آزمایشگاهی kumar و همکاران استفاده شده است. مقایسه نتایج محاسباتی این رابطه با مقادیر آزمایشگاهی ضریب دبی سرریزهای قوسی نشان داد که روابط پیشنهادی از دقت بسیار مناسبی برخوردار است. با توجه به معیارهای عملکرد، دو مدل برای gep و یک روش برای ann انتخاب شدند که در همه این مدل ‌ها الگوی ورودی یکسان می ‌باشد. در روش منحنی برنامه‌ریزی ژنتیک الگوی ورودی با عملگرهای 2f و 4f با داشتن بیشترین ضرایب تعیین برای داده‌ های آزمون به‌ترتیب 0.924=dc و 0.956=dc بهترین عملگرها در این روش انتخاب شدند. همچنین، در روش ann نیز با متغیر قرار دادن تعداد نورون‌ها در لایه‌های مخفی در بازه 102، مدل حاضر با تعداد 10 نورون دارای بیشترین 0.962=dc نسبت به الگوهای دیگر می‌باشد.

Enhancing accuracy of discharge capacity prediction of a sharpcrested curved planform weirs under free flow conditions using evolutionary algorithms and artificial neural networks

Weirs are one of the common structures for discharge and flow measurement. Therefore, these types of hydraulic structures depending on the purpose of usage, have different shapes. Weirs have been widely used for the purpose of flow measurement and flow control in open channels. Generally they are used as normal weirs. For the purpose of flow diversion, they can also be used as side weirs or skew weirs. Various weirs of modified plan form have been suggested in the past to enhance their discharging capacity with minimum head over the weirs and to restrict the afflux. The aim of this study is to apply different methods to investigate the discharging capacity of a sharpcrested curved planform weirs under free flow conditions using original experimental dataset through the Artificial Neural Networks (ANNs) and Genetic Expression Programming (GEP) techniques. Subsequently, for training and testing of the proposed equation, experimental data of Kumar et al. have been used. A preliminary investigation on various GEP operators is also carried out for selecting the proper operators. The obtained results indicate that applied machine learning techniques have reliable performance in predicting discharging capacity of a sharpcrested curved planform weirs. Comparison of results obtained from this equation with the experimental data reveals high accuracy of the new equation of genetic programming and result of the ANNs. Determination coefficient of the proposed equation for discharge coefficient have been calculated as 0.956 and 0.924 for the model with best functions (F2 and F4), also this parameter calculated for ANNs as 0.962 for testing phase.