مدل سازی طول پر ش هیدرولیکی بر روی بسترهای زبر شیب دار با استفاده از سیستم استنباط فازی عصبی تطبیقی-الگوریتم ژنتیک

معمولاً تبدیل سریع رژیم فوق ‌بحرانی جریان به زیر بحرانی با پرش هیدرولیکی همراه است. این پدیده به طور کلی بعد از سازه‌های هیدرولیکی از قبیل سرریز اوجی به‌وقوع می‌پیوندد. یکی از مهمترین پارامترهای پرش هیدرولیکی که در تعیین ابعاد حوضچه‌های آرامش استفاده می‌شود، طول پرش هیدرولیکی است. در مطالعه حاضر، یک روش ترکیبی برای پیش‌بینی طول پرش هیدرولیکی بر روی بستر زبر شیب‌دار توسعه داده می‌شود. به‌عبارت دیگر، روش حاضر با ترکیب روش‌های سیستم استنباط فازی عصبی تطبیقی با الگوریتم ژنتیک (anfisga) ارائه شده است. در این مطالعه، به‌منظور سنجش عملکرد مدل‌های anfis ga از شبیه‌سازی مونت کارلو استفاده می‌گردد. در ابتدا، پارامترهای موثر بر روی طول پرش هیدرولیکی که شامل عدد فرود جریان، نسبت زبری بستر، نسبت اعماق مزدوج و شیب بستر شناسایی می‌شود. سپس با توجه به پارامترهای مذکور پنچ مدل anfisga تعریف می‌شود. در ادامه، نتایج مدل‌های پنج‌گانه anfisga مورد بررسی قرار می‌گیرد که با تجزیه و تحلیل نتایج مدل‌سازی، مدل برتر معرفی شد. مدل برتر، مقادیر آزمایشگاهی را با دقت قابل قبولی پیش‌بینی می‌کند. به‌عنوان مثال مقادیر درصد میانگین مطلق خطا، خطای جذر میانگین مربعات برای این مدل به‌ترتیب مساوی 4.520 و 0.781 محاسبه گردیده است. همچنین نتایج مدل‌سازی نشان می‌دهد که عدد فرود جریان در بالادست پرش هیدرولیکی موثرترین پارامتر در مدل‌سازی طول پرش هیدرولیکی بر روی بستر زبر شیب‌دار با استفاده از مدل anfisga است.

Optimization of Fuzzy Systems using Genetic Algorithm for modeling the Hydraulic Jump Length on Sloping rough beds

< p >In general, rapid transformation of supercritical flow regime into subcritical flow is accompanied with hydraulic jump. The phenomenon usually occurs at downstream of hydraulic structures such as ogee spillway. Also, the length of hydraulic jump is one of the most important parameters in determining the dimension of stilling basins. In current study, a hybrid method for prediction the length of hydraulic jump on sloping rough bed was developed. In the other words, the hybrid method (ANFISGA) was presented using combination of Adaptive NeuroFuzzy Inference Systems (ANFIS) and Genetic Algorithm (GA). In this study, to examine the performance of ANFISGA models, the Monte Carlo simulation (MCs) was used. At first, the effective parameters on length of hydraulic jump such as; Froude number at upstream of hydraulic jump, the ratio of bed roughness, sequent depth ratio, and bed slope were identified. Next, regarding the parameters, five ANFISGA models were defined. Then, the results of the ANFISGA models were examined that the superior model was introduced. The superior model predicts the experimental measurement with acceptable accuracy. For example, the Mean Absolute Percentage Error (MAPE) and Root Mean Square Error (RMSE) were respectively computed 4.520 and 0.781. In addition, the results of modeling revealed that the Froude number at upstream of hydraulic jump is the most effective parameters in modeling the length of hydraulic jump on sloping rough bed using ANFISGA method.