تخمین آبشستگی سازه‌ ترکیبی سرریز دریچه در اثر انقباض با استفاده از مدل عددی و شبکه‌های عصبی

سرریزها و دریچه‌ها از جمله سازه‌های هیدرولیکی هستند که قابلیت کنترل سطح آب و اندازه‌گیری دبی جریان را دارند، به همین علت مطالعات گسترده‌ای بر روی این دو سازه صورت گرفته است اما این سازه‌ها نیز دارای معایبی هستند که با ترکیب این دو سازه می‌توان سازه ترکیبی سرریز دریچه را در جهت رفع معایب آن‌ها ارائه نمود. مشکل آبشستگی در پایین‌دست این سازه‌ها در بسترهای فرسایش‌پذیر از مباحث مهم می‌باشد که در صورت عدم کنترل آن، ممکن است باعث ناپایداری سازه و در نهایت تخریب آن گردد. لذا بررسی شرایط و کنترل آن حائز اهمیت می‌باشد. بدین منظور در این تحقیق ابتدا با استفاده از مدل عددی flow 3d مدل مذکور شبیه‌سازی شد و در ادامه به منظور کارایی شبکه‌های عصبی از دو مدل پیش‌بینی‌ کننده استفاده گردید و نتایج با هم مورد مقایسه قرار گرفت. در بخش عددی دو مدل آشفتگی les و مدل rng و از 3 معادله نرخ انتقال بار بستر استفاده گردید و بعد از صحت‌سنجی با داده‌های آزمایشگاهی مشاهده شد که داده‌های مدل عددی با رابطه‌ی van rijn و با مدل آشفتگی les با ضریب تعیین 0.985 و میانگین خطای مطلق 0.107 برازش مناسب با داده های آزمایشگاهی دارد. در این تحقیق دو شبکه mlp و rbfمورد آموزش و ارزیابی قرار گرفت و از میان کل داده‌های موجود،80 درصد آن‌ها برای آموزش شبکه و 20 درصد نیز برای آزمایش شبکه مورد استفاده قرار گرفته شد. در مقایسه دو شبکه mlp و rbf، نتایج نشان داد که شبکه‌های rbf عملکرد بهتری نسبت به mlp ها داشتند به طوریکه در مدل انقباض دریچه، خطای پیش‌بینی در آن کمتر از سایر مدل‌ها بود.همچنین پارامترهای شاخص آماری نشان داد، در مرحله آموزش، شبکه rbf توانست عمق آبشستگی را با ضریب تبیین 0/962 و rmse برابر0/394 و mae برابر 0/156 و در بخش تست نیز با ضریب تبیین0/966 و rmse برابر 0/504 mae برابر 0/355 پیش بینی کند.

estimating scouring of combined spillway-valve structure due to contraction using numerical model and neural networks

weirs and gates are among the hydraulic structures that have the ability to control the water level and measure the flow rate, for this reason, studies have been conducted on these two structures, but these structures also have disadvantages. by combining these two structures, it is possible to provide a combined weir-gate structure in order to solve their disadvantages. scouring downstream of these structures is one of the important topics in the problems of erodible beds, which, if not controlled, may cause instability of the structure and eventually destroy it. the condition of checking and controlling it is important. for this purpose, in this research, first, the model was simulated using flow-3d numerical model, and then two predictive models were used for the efficiency of neural networks and the results were compared.in the numerical part, two turbulence models, les and rng model, and 3 bed load transfer rate equations were used, and after validation with laboratory data, it was observed that the data of the numerical model with the van rijn relation and with the les turbulence model with the coefficient of determination of 0.985 and the average absolute error of 0.107, it fits well with the laboratory data. in this research, two mlp and rbf networks were trained and evaluated, and 80% of the available data were used for network training and 20% were used for network testing.comparing mlp and rbf networks, the results showed that rbf networks performed better than mlps, so that in the valve contraction model, the prediction error was less than other models.