بررسی آزمایشگاهی موقعیت تشکیل حفره آبشستگی در پایین‏دست سدها و پیش‏‌بینی آن به کمک روش‌‏های داده‏‌کاوی

عوامل مختلفی بر محل تشکیل حفره آبشستگی ایجاد شده در اثر جریان‌‏های ریزشی تاثیر دارند. ازجمله این عوامل عمق پایاب، ارتفاع ریزش، سرعت جریان، سطح مقطع جریان ریزشی، زاویه برخورد جریان و میزان هوای ورودی به جریان می‏‌باشد. در تحقیق حاضر محل تشکیل حفره آبشستگی به‌‏صورت آزمایشگاهی در آزمایشگاه هیدرولیک دانشگاه تبریز بررسی شد. همچنین توانایی شبکه‏‌‏‏های عصبی مصنوعی و مدل‏‌های درختی (مدل درختی m5p) در تخمین محل ایجاد حفره آبشستگی در پایین‌‏دست سدها با استفاده از داده‏‌‏های آزمایشگاهی بررسی شده و نتایج این دو مدل با روش رگرسیونی غیر خطی چند متغیره مقایسه شد. نتایج نشان داد هر سه روش، شبکه عصبی مصنوعی، مدل درختی m5 و روش رگرسیونی نتایج نسبتاَ دقیقی را در پیش‌‏بینی محل تشکیل حفره آبشستگی ارائه م‌ی‏دهند؛ که برای مقدار rmse،ا m5 =3.75 ،ann =1.75 و regression=3.89 می‌‏باشند، ولی به دلیل ارائه روابط خطی ساده توسط مدل درختی m5، این روش می‌تواند به‌‏عنوان روشی کاربردی برای تعیین محل تشکیل حفره آبشستگی مورد استفاده قرار گیرد. تحلیل مدل درختی m5 نشان داد که 4 رابطه با معادلات خطی متفاوت، الگوی تغییرات محل تشکیل حفره آبشستگی را مدل می‏‌کنند. علاوه‌‏براین، تجزیه و تحلیل نتایج آزمایشگاهی نشان داد روابط رگرسیونی ارائه شده در تحقیق حاضر نسبت به روش رایج (استفاده از معادلات پرتابه)، خطای خیلی کمتری در هنگام پیش‏‌بینی محل تشکیل حفره آبشستگی دارند. همچنین نتایج آزمایشگاهی نشان داد ارتفاع آب گذرنده از روی سازه موثرترین پارامتر در محل تشکیل حفره آبشستگی می‏‌باشد.

laboratory investigation of scour hole location downstream of dams and its prediction using data mining methods

various factors affect the location of the scour hole formed by the falling flow. among these factors, we can mention the tailwater depth, the height of the falling flow, the velocity of the flow, the cross-section of the flow and the amount of air entering the flow. in the present study, the location of the formation of scour holes was investigated in the hydraulic laboratory of tabriz university. also, the ability of artificial neural networks (ann) and tree models (m5p tree model) in estimating the location of scour holes downstream of dams was investigated using laboratory data and the results of these two models have been compared with the multivariate nonlinear regression method. the results showed that all three methods, the artificial neural network, the m5 tree model and regression method provide relatively accurate results in predicting the location of scour hole. rmse value for ann=1.75, m5=3.75 and regression=3.89, but due to providing simple linear relationships by the m5 tree model, this method can be used as a practical method to determine the location of scour hole. the analysis of the m5 tree model showed that 4 equations with different linear equations model the pattern of changes in the location of scour hole. in addition, the analysis of the laboratory results showed that the regression equations presented in the present study compared to the common method (using projectile equations) have much less error when predicting the location of scour hole. also, the laboratory results showed that the head passing through the structure is the most effective parameter in the formation of the scour hole.