این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
دانش آب و خاک، جلد ۲۸، شماره ۱، صفحات ۶۹-۸۲
عنوان فارسی بررسی عملکرد روش‌های کلاسیک و هوش مصنوعی در پیش‌بینی عمق استغراق بحرانی آبگیرهای افقی در کانال‌های با جریان روباز
چکیده فارسی مقاله  آبگیرهای افقی یکی از سازه­های متداول در برداشت آب از کانال­های روباز مانند رودخانه­ها و منابعی مانند دریاچه­ها و مخازن سدها می­باشند. یکی از پدیده‌های هیدرولیکی که عمدتاً به هنگام آبگیری از کانال­ها ایجاد می‌شود، تشکیل جریان گردابی و حباب‌های هوا می‌باشد که می‌تواند مشکلات زیادی برای تأسیسات هیدرو­مکانیکی آبگیرها ایجاد نماید. ارتفاع ناکافی آب بالای لوله آبگیر (عمق استغراق) از دلایل عمده تشکیل جریان گردابی در آبگیرهای افقی می‌باشد. به­دلیل اهمیت این پدیده تاکنون مطالعات بسیاری جهت تخمین عمق استغراق بحرانی انجام‌گرفته ­است. با این‌ وجود، به­دلیل عدم قطعیت در تشکیل گرداب در نزدیکی لوله آبگیر، نتایج حاصل از دقت مطلوبی برخوردار نمی‌باشد. در تحقیق کنونی با استفاده از سه سری داده آزمایشگاهی، کارآیی روش‌های هوش مصنوعی (ماشین بردار پشتیبان SVM و سیستم استنتاج عصبی -فازی انطباقی ANFIS و برنامه­ریزی بیان ژن GEP) و روابط کلاسیک در تخمین عمق استغراق بحرانی آبگیرهای افقی در کانال‌های روباز و با فاصله متفاوت آبگیر از کف کانال مورد بررسی قرار گرفته­است. نتایج به‌دست‌آمده بیان­گر آن ­است که روش‌های هوش مصنوعی در تخمین عمق استغراق بحرانی بسیار دقیق‌تر از مدل­های کلاسیک بوده و می­توان همبستگی مناسبی را بین مقادیر مشاهداتی و محاسباتی مشاهده نمود. ﺑﻬﺘﺮﻳﻦ نتایج برای داده­های آزﻣﻮن، با استفاده از روش SVM در ﺣﺎﻟﺖ C=di/2 (di و C به­ترتیب قطر و فاصله آبگیر از کف کانال می­باشند) با مقادیر 976/0DC=، 988/0R= و­191/0RMSE= به­دست آمد. مطابق با نتایج تحلیل حساسیت مشاهده گردید که سرعت نسبی جریان و عدد وبر در لوله آبگیر به­ترتیب بیشترین و کمترین تأثیر را در تخمین عمق استغراق بحرانی دارا می‌باشند.
کلیدواژه‌های فارسی مقاله آبگیر افقی، استغراق بحرانی، روابط کلاسیک، ANFIS، GEP،
عنوان انگلیسی Evaluation of the Performance of Classical and Artificial Intelligence Approaches in Prediction of Critical Submergence of Horizontal Intakes in Open Channel Flows
چکیده انگلیسی مقاله  Horizontal intakes are of the most common structures for water withdrawal from open channels such as rivers, lakes and dam reservoirs. One of the hydraulic phenomena that mainly occurs during the water withdrawal process of the channels is the formation of vortex and air bubbles that can cause many problems for hydro-mechanical facilities of intakes. Insufficient height of water above the intake pipes (submergence depth) is the major cause of the vortex formation on horizontal intakes. Due to the importance of this phenomenon, many models have been developed to estimate the critical submergence depth. However, due to the uncertainties of the vortex formation near the intake, the obtained results often do not show a desired accuracy. In this study, using three experimental data series, the performance of artificial intelligence techniques (adaptive neuro-fuzzy inference system (ANFIS), support vector machine (SVM), gene expression programming (GEP)) and classical models were investigated for predicting the critical submergence depth of horizontal intakes with different bottom clearances in open channel flows. The results indicated that in estimating the critical submergence depth, the artificial intelligence techniques are more accurate than the classical models and a good agreement could be seen between the observed and predicted values. The best result for the test series was obtained for C=di/2 state (di and C were intake diameter and bottom clearance, respectively) using SVM method with the values of R=0.988, DC=0.976 and RMSE=0.191. According to the results of sensitivity analysis, it was observed that the relative velocity and Weber number in intake pipe were the most and the least significant parameters in the estimation of critical submergence depth, respectively.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله کیومرث روشنگر |
دانشیار گروه مهندسی آب، دانشکده عمران، دانشگاه تبریز

رقیه قاسم پور |
کارشناس ارشد مهندسی آب و سازه‌های هیدرولیکی، دانشکده عمران، دانشگاه تبریز

نشانی اینترنتی http://water-soil.tabrizu.ac.ir/article_7344_20819bf57b86150af34ae68799f0ed4f.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/794/article-794-722717.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات