مدل‌سازی ریاضی اتلاف جریان عبوری از روی سرریزهای پلکانی با استفاده از برنامه‌ریزی ژنتیک

سرریزهای پلکانی یکی از کارآمدترین سازه‌ها در استهلاک انرژی هستند. در این مقاله برای مدل‌سازی ریاضی اتلاف انرژی جریان عبوری از روی سرریز پلکانی از مدل برنامه‌ریزی ژنتیک استفاده شد. به‌منظور مقایسه عملکرد مدل برنامه‌ریزی ژنتیک با سایر روش‌های رایانش نرم، مدل شبکه عصبی چندلایه به‌عنوان معمول‌ترین مدل هوش مصنوعی نیز تهیه گردید. پارامترهای دخیل در برآورد بازده سرریز پلکانی در اتلاف انرژی جریان عبوری عبارت‌اند از: عدد دراپ، نسبت عمق بحرانی به ارتفاع پله‌ها، شیب سرریز، تعداد پله‌ها، نسبت ارتفاع به طول پله‌ها است. نتایج نشان داد که روش برنامه‌ریزی ژنتیک توانایی مناسبی جهت برآورد عملکرد سرریز‌های پلکانی در اتلاف انرژی دارد. شاخص‌های آماری خطای این مدل در مرحله صحت سنجی عبارت از r2=0.95 است. بررسی ساختار مدل ریاضی استخراج‌شده از روش برنامه‌ریزی ژنتیک نشان می‌دهد که پارامترهای عدد دراپ و نسبت عمق بحرانی به ارتفاع پله‌ها دارای وزن بیشتری نسبت به سایر پارامترها هستند، لذا نتیجه می‌شود که این پارامترها تاثیر بیشتری در عملکرد سازه در اتلاف انرژی دارند. مقایسه عملکرد مدل برنامه‌ریزی ژنتیک با مدل شبکه عصبی چندلایه نشان می‌دهد که عملکرد شبکه عصبی نسبت به برنامه‌ریزی ژنتیک، کمی بهتر است (r2≥0.95). نتایج آنالیز حساسیت شبکه عصبی چندلایه هم ساختار مدل ریاضی مستخرج شده از برنامه‌ریزی ژنتیک را تایید می‌نماید.

mathematical expression of energy dissipation of flow over stepped spillways using genetic programing

stepped spillways are affective structures for energy dissipation. in this study, to mathematical expression of effect of involved parameters on energy dissipation, a genetic programing (gp) technique was used. the gp categorized in smart function fitting methods that automatically define the most effective parameters and assigned them more weight in final model derived. involved parameters on energy dissipation of flow are drop number, number of steps, ration of critical depth to height of steps, longitudinal slop of weir, and froude number of flow at toe of spillways. to compare the performance of gp with other type of soft computing techniques, the multilayer perceptron neural network was developed as well. results indicated that derived model from gp model has suitable to performance to mathematical expression of involved parameters on energy dissipation. reviewing the structure of derived model from gp indicated that drop number and ratio of critical depth to the height of steps are the most effective parameters on energy dissipation. comparison the performance of mlp model with gp showed that the accuracy of mlp is a bit more than the gp. sensitivity analysis of mlp upheld the results of gp in term of effective parameters.