مدل سازي طول پرش هيدروليكي بر روي بسترهاي زبر شيب دار با استفاده از سيستم استنباط فازي عصبي تطبيقي - الگوريتم ژنتيك

Modeling Hydraulic Jump Length on Sloping Rough Beds using Adaptive Neuro Fuzzy Inference Systems – Genetic Algorithm

معمولاً تبديل سريع رژيم فوق ­بحراني جريان به زير بحراني با پرش هيدروليكي همراه است. اين پديده به طور كلي بعد از سازه­ هاي هيدروليكي از قبيل سرريز اوجي به­ وقوع مي­ پيوندد. يكي از مهمترين پارامترهاي پرش هيدروليكي كه در تعيين ابعاد حوضچه­ هاي آرامش استفاده مي ­شود، طول پرش هيدروليكي است. در مطالعه حاضر، يك روش تركيبي براي پيش ­بيني طول پرش هيدروليكي بر روي بستر زبر شيب ­دار توسعه داده شد. به ­عبارت ديگر، روش حاضر با تركيب روش­هاي سيستم استنباط فازي عصبي تطبيقي با الگوريتم ژنتيك (ANFIS-GA) ارائه شده است. در اين مطالعه، به­ منظور سنجش عملكرد مدل­هاي ANFIS- GA از شبيه ­سازي مونت كارلو استفاده شده است. در ابتدا، پارامترهاي مؤثر بر روي طول پرش هيدروليكي كه شامل عدد فرود جريان در بالادست پرش هيدروليكي، نسبت زبري بستر، نسبت اعماق مزدوج و شيب بستر بود شناسايي شد. سپس با توجه به پارامترهاي مذكور پنچ مدل ANFIS-GA تعريف مي­ شود. در ادامه، نتايج مدل­هاي پنج­گانه ANFIS-GA مورد بررسي قرار گرفت و مدل برتر معرفي شد. مدل برتر، مقادير آزمايشگاهي را با دقت قابل قبولي پيش ­بيني مي­ كند. به ­عنوان مثال مقادير درصد ميانگين مطلق خطا، خطاي جذر ميانگين مربعات براي اين مدل به ­ترتيب مساوي 4/520 و 0/781 محاسبه گرديده است. همچنين نتايج مدل­سازي نشان مي­دهد كه عدد فرود جريان در بالادست پرش هيدروليكي موثرترين پارامتر در مدل­سازي طول پرش هيدروليكي بر روي بستر زبر شيب­دار با استفاده از مدل ANFIS-GA است.

In general, rapid transformation of supercritical flow regime into subcritical flow is accompanied with hydraulic jump. The phenomenon usually occurs at downstream of the hydraulic structures such as ogee spillway. The length of hydraulic jump is one of the most important parameters used to determine the dimension of stilling basins. In current study, a hybrid method for predicting the hydraulic jump length on sloping rough bed was developed. In the other words, the hybrid method (ANFIS-GA) was presented using combination of Adaptive Neuro-Fuzzy Inference Systems (ANFIS) and Genetic Algorithm (GA). In this study, to examine the performance of ANFIS-GA models, the Monte Carlo simulation (MCs) was used. At first, the effective parameters on length of hydraulic jump such as; Froude number in upstream of the hydraulic jump, the ratio of bed roughness, sequent depth ratio, and bed slope, were identified. Next, regarding these parameters, five ANFIS-GA models were defined. Then, the results of the ANFIS-GA models were examined and the superior model was introduced. The superior model predicted the experimental measurements 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 was the most effective parameter in modeling the length of hydraulic jump on sloping rough bed using ANFIS-GA method.