پيش‌بيني دبي جريان در كانال مركب مستقيم با استفاده از روش دسته‌بندي گروهي داده‌ها

Prediction of flow discharge in compound open channel using group method of data handling

يش‌بيني دبي جريان در كانال‌هاي مركب يكي از مهمترين مسائل مهندسي هيدروليك است. از مهمترين پارامترهاي جريان در كانال‌هاي مركب نيز مي‌توان به تنش برشي ظاهري اشاره كرد كه در اثر اختلاف سرعت جريان در كانال اصلي و سيلاب دشت‌ها در محل اتصال كانال اصلي به سيلاب دشت‌ها به وجود مي‌آيد. تنش برشي ظاهري باعث ايجاد آشفتگي و گردابه‌هاي سه بعدي در مرز كانال اصلي و سيلاب دشت‌ها و نيز كاهش دبي كل جريان مي‌گردد. در اين پژوهش، دبي جريان در كانال‌هاي مركب مستقيم با استفاده از روش‌هاي تجربي، روش دسته‌بندي گروهي داده‌ها و شبكه عصبي چندلايه مد‌ل‌سازي و پيش‌بيني شد. پارامترهاي بي‌بعد مورد استفاده بدين منظور عبارتند از عمق نسبي جريان، شعاع هيدروليكي نسبي، مساحت نسبي و زبري نسبي. نتايج نشان داد كه روش دسته‌بندي گروهي داده‌ها با ضريب تبيين 91/0 و ريشه ميانگين مربعات خطاي 057/0 داراي مناسب‌ترين عملكرد در تخمين دبي جريان در كانال‌هاي مركب است. بررسي ساختار روش دسته‌بندي گروهي داده‌هاي توسعه داده شده نشان مي‌دهد كه عمق نسبي جريان و مساحت نسبي تأثير بيشتري را در مدل‌سازي ظرفيت كانال‌هاي مركب دارند. بررسي عملكرد مدل شبكه عصبي چند لايه توسعه داده شده نشان مي‌دهد كه اين مدل با ضريب تبيين 82/0 و ريشه مربعات خطاي 065/0 داراي دقت بيشتري نسبت به روش‌هاي تجربي است. تحليل حساسيت شبكه عصبي چند لايه نشان داد كه پارامترهاي شيب طولي، عمق و مساحت نسبي تأثير بيشتري در دقت پيش‌بيني جريان دارند كه اين نكته ساختار بدست آمده از روش دسته‌بندي گروهي داده‌ها را تأييد مي‌نمايد.

Prediction of flow through the compound open channel is one of the main problems in the field of hydraulic engineering. One of the main parameter related to the flow properties in the compound open channel is Shear Stress. The shear stress is because of difference of velocities between the main channel and floodplains. The Shear Stress causes of turbulence and vortex creation on the border of main channel and floodplains. The difference between the roughness of main channel and floodplains intensities the shear stress in the border zone and also decreases total discharge. In this paper, the discharge of flow in compound open channels was predicted using group method of data handling technique. To this end, related dataset were collected from literature. Involved parameters in modeling are relative hydraulic depth , relative hydraulic radius, and relative roughness and relative area. To compare the performance of GMDH with other types of soft computing methods, the MLPNN as most well-known soft computing technique is developed as well. Results indicate that the GMDH model with coefficient of determination 0.91 and root means square error 0.057 is more accurate than the MLPNN. Reviewing the structure of developed GMDH model shows that and are the most effective parameters on prediction of discharge in compound open channels.