تعیین میزان افت نوسانات فشاری جریان های میرا بر اثر نشت از جدار لوله به کمک الگوریتم های هوشمند

الگوریتم‌های هوشمند که محصول پیشرفت در علوم رایانه می باشند، توانایی مهندسان در تحلیل و مدل‌سازی پدیده‌های هیدرولیکی پیچیده را به مقدار بسیار زیادی افزایش داده‌اند. از آن جمله، تحلیل جریان‌های میرا می‌باشد که بخش مهمی از هیدرولیک مجاری تحت فشار را به خود اختصاص می‌دهند. با گذشت زمان، خطوط لوله دچار نشت می‌گردد. از سویی یکی از مهمترین خصوصیات جریان‌های میرا، میزان افت در نوسانات فشاری می‌باشد که با وجود نشت از جداره لوله تشدید خواهد شد. در این تحقیق سعی بر آن است تا با استفاده از الگوریتم‌های هوشمند نظیر شبکه عصبی مصنوعی (ann)، الگوریتم ژنتیک (ga) و برنامه‌ریزی بیان ژن (gp)، میزان افت امواج فشاری عبوری از روزنه نشت در جدار لوله (hlpw) تعیین و کاربرد آن با تحلیل هیدرولیکی مقایسه گردد. بنابراین ابتدا به کمک آنالیز ابعادی، پارامترهای موثر بر (hlpw) مشخص و سپس در مجموع تعداد 120 آزمایش با 6 دبی، 5 قطر نشت و 4 محل نشت که بر روی لوله پلی‌اتیلن به قطر نامی 63 میلیمتر و به طول 47 متر به انجام رسیده بود برای انجام تحقیق انتخاب شد. نتایج نشان داد مدل ann بهترین عملکرد را در بین الگوریتم‌های هوشمند برای تخمین و محاسبه (hlpw) دارد. همچنین، به ترتیب مدل‌های ann، gep، ita و ga با 2r برابر 0.987، 0.905، 0.891 و 0.721 دارای بهترین عملکرد در تخمین (hlpw) می‌باشند. به صورت کلی برخی الگوریتم‌های هوشمند در تخمین پارامتر (hlpw) از تحلیل‌گر هیدرولیکی موجود توانمندتر بوده و لذا استفاده از آنها هم به لحاظ کاهش زمان و هم از جهت افزایش دقت محاسبات توصیه می‌گردد.

determination of transient flow pressure losses due to leakage from pipe wall using intelligent algorithms

introduction the use of intelligent and meta-heuristic algorithms has many applications in engineering sciences, which is generally achieved by advances in computer computing. hydraulic is one of the sciences that researchers use intelligent algorithms widely. transient flow is a type of unsteady flow whose analysis always has special complexities and time consuming. one of the most important characteristics of transient flow is the rate of losses, which determines the damping rate of pressure waves. on the other hand, pipelines have leaked in their walls over time for various reasons, therefore it is necessary to study losses in transient flow in the presence of leaks. so, due to the complexity of equations, boundary conditions, effective factors and time-consuming calculations, the use of intelligent algorithms in determining amount of head losses in pressure waves of transient flow (hlpw – head loss of pressure wave) despite leakage in the pipe wall is helpful. in this study, according to the application of intelligent algorithms in the analysis and optimization of transmission pipelines, transient flows, leaks, pressure losses, etc., based on dimensional analysis, we use artificial neural networks (ann), genetic algorithms (ga) and gene expression programming (gep) to study and estimate the hlpw and also provide an optimal relationship to determine and calculate this parameter. also, the performance of the mentioned models has been compared with hydraulic inverse transient analysis (ita) model.methodology in this study, laboratory data were used from mohammadi (2016). the laboratory model equipment used includes reservoir, pipe, and a valve (rpv). the pipe used is made of polyethylene with a working pressure of 10 bar, nominal diameter of 63 mm and length of 47 meters. a total of 120 series of experiments were performed by very fast closure of valve (almost instantaneous closure) at 6 discharges, 5 leak diameters and 4 different leak locations (table 1).