بررسی عوامل آبشستگی موضعی زیر خطوط لوله با استفاده از الگوریتم‌های شبکه‌های عصبی مصنوعی

یکی از مهم‌ترین عوامل آسیب و خرابی لوله‌ها، وقوع آبشستگی موضعی‌ است، بنابراین طراحی مطمئن و اقتصادی لوله‌ها که در مسیر جریان قرار می‌گیرند، مستلزم تخمین مناسبی از میزان تاثیر عوامل موثر بر آبشستگی زیر لوله است. در این پژوهش بر اساس پارامتر‌های مهم و اثرگذار در پدیده آبشستگی و بر اساس داده‌های به‌دست آمده در آزمایشگاه دانشگاه آزاد اسلامی واحد اهواز، مدل‌هایی بر مبنای شبکه‌های عصبی مصنوعی با استفاده از نرم‌افزارneurosolution5 ایجاد شد که در این تحقیق از سه مدل mlp، gff و rbf استفاده شد و پس از مقایسه این سه مدل با یکدیگر، مدل mlp محور بررسی‌ها قرار گرفت. در نهایت با استفاده از تکنیک شبکه‌های عصبی مصنوعی میزان تاثیر هر کدام از پارامتر‌های موثر بر آبشستگی مشخص شد که بر اساس آن، پارامتر شیلدز با تاثیری بسیار زیاد (بیش از 95 درصد)، یکی از موثرترین عوامل در آبشستگی موضعی در این پژوهش است.

Investigation of Local Scour Factors under Pipelines Using Artificial Neural Network Algorithms

Occurrence of local scour is one of the most significant causes of damage to the pipes. Therefore, safe and economical design of pipes in the flow path requires a good estimate. In this study, based on the important and effective parameters in the scouring phenomenon, in order to develop educational patterns according to the data obtained in the laboratory of Ahvaz Islamic Azad University, models based on artificial neural networks were created with the NeuroSolution5 software. MLP, GFF and RBF were the models used in this study; after comparing, MLP was selected as the basis for our study. Finally, the effect of each parameter on scouring was determined using the artificial neural networks technique, based on which the shields parameter with a very high effect (more than 95 percent) was determined as one of the most effective causes of the local scour.