تخمین ضریب اختلاط عرضی آلاینده‌ها درجریان کانال‌های روباز با استفاده از شبکه عصبی مصنوعی

درک خودپالایی و از بین رفتن آلودگی در رودخانه ها جهت کنترل موثر آلودگی در سال های اخیر مورد توجه قرار گرفته است. اختلاط عرضی آلاینده در کانال های باز به نسبت از اهمیت بیش تری نسبت به اختلاط طولی برخوردار است. تلاش های بسیاری جهت برقراری رابطه ای بین ضریب اختلاط عرضی و پارامترهای کانال و جریان مانند عرض، عمق، سرعت برشی، فاکتور اصطکاک و انحنای کانال انجام گرفته است. با هدف ساده سازی پیش بینی ضریب اختلاط عرضی، در این تحقیق، با استفاده از اطلاعات پارامترهای هیدرولیکی و هندسی رودخانه ها و کانال ها، مدل سازی و سپس پیش بینی ضریب اختلاط عرضی به کمک شبکه عصبی مصنوعی صورت گرفته است. فرآیند توسعه و ارزیابی مدل با استفاده از مجموعه داده های واقعی و معیارهای آماری و گرافیکی مختلف صورت گرفت. مدل شبکه عصبی مصنوعی، نتایج قابل قبولی در پیش بینی ضریب اختلاط عرضی نسبت به مدل خطی، ارائه کرد. چنان چه در بهترین مدل، میزان ضریب همبستگی و میانگین مجذور مربعات خطا، به ترتیب 0.82 و 0.1035 بدست آمده است.

Estimating Transverse Mixing Coefficient of Pollutants in Open Channel Flows Using Artificial Neural Networks

Understanding of the fate of pollutants, disposed of in streams, is a matter of concern in recent years for the effective control of pollution. Transverse mixing of the pollutants in open channels is arguably more important than the longitudinal mixing and nearfield mixing. Several attempts have been made to establish the relationship between the transverse mixing coefficient and bulk channel and flow parameters such as width, depth, shear velocity, friction factor, curvature and sinuosity. The training and testing of this model are accomplished using a set of available published filed data. Several statistical and graphical criteria are used to check the accuracy of the model. The proposed ANN approach produces satisfactory results (R2=0.82, RMSE=0.103) in the best try in comparison to linear model.