برآورد ضريب زبري بستر كانال هاي خاكي با استفاده از روش هاي شبكه هاي عصبي مصنوعي و سيستم هاي استنباط فازي عصبي-تطبيقي

Estimation of Roughness Coefficient in Erodible Channels by ANNs and the ANFIS Methods

برآورد ضريب زبري در طراحي كانال هاي خاكي از اهميت زيادي برخوردار مي باشد. اين مساله حتي در مدل سازي عددي پديده انتقال رسوب داراي اهميت به سزايي است. به همين منظور، تاكنون روش هاي تجربي زيادي براي برآورد ضريب زبري در كانال ها ارائه شده است كه غالبا داراي خطاي زيادي در برآورد پارامتر مورد نظر مي باشند. بنابراين، در اين مقاله با استفاده از روش هاي ابزار محاسبات نرم مبتني بر شبكه هاي عصبي مصنوعي و سيستم استنباط فازي عصبي-تطبيقي به ارائه مدل هايي جهت برآورد ميزان ضريب زبري در كانال هاي خاكي پرداخته ميشود. در اين مدل ها پارامتر بي بعد شده عمق آب با اندازه متوسط رسوبات ( h/d50)، عدد رينولدز برشي (R )، پارامتر شيلدز (θ ) و پارامتر بي بعد شده سرعت سقوط ذرات با سرعت برشي جريان (w U f )، به دست آمده از روش تحليل ابعادي باكينگهام، به عنوان پارامتر ورودي روش هاي ابزار محاسبه نرم ميباشند. پس از شبيه سازي و توسعه اين مدل ها نتايج نشان ميدهد كه دقت روش هاي سيستم استنباط فازي عصبي - تطبيقي (R2 = 0.8433 ) و شبكه هاي عصبي (R2 = 0.8515 ) بالاتر از روابط تجربي متداول و روش هاي رگرسيوني خطي و غيرخطي براي برآورد اين ضريب مي باشد. هم چنين، آناليز حساسيت خطاي برآورد در برابر حذف پارامترهاي مختلف ورودي موثر بر ضريب زبري نشان ميدهد پارامترهاي ديگري مانند عدد رينولدز برشي و پارامتر عمق بي بعد آب در كانال نيز در ميزان ضريب زبري بستر كانال هاي خاكي موثر است كه در روابط تجربي ارائه شده اين ضريب ناديده گرفته ميشد. لازم به ذكر است كه عدد رينولدز برشي به عنوان موثرترين پارامتر در مدل هاي مذكور شناخته شد. هم چنين نتيجه گرفته شد كه مدل هاي توسعه داده شده ميتوانند به عنوان گزينه اي مناسب جهت برآورد ضريب زبري كانال ها خاكي باشند. اين مساله با توجه به دامنه وسيع مكانيزم انتقال رسوب بيشتر اهميت پيدا ميكند

Estimating the roughness of erodible open channels plays an important role in their hydraulic design. This parameter is important for the development of numerical models and hydraulic design of these erodible channels. For this reason, several empirical methods have been presented so far to estimate the roughness coefficient while the previous study shows that these methods are not sufficiently accurate. These methods usually are based on empirical activities which are too time-consuming and expensive. Therefore, in this paper, the so-called Artificial Neural Networks (ANNs) and Adaptive Network Based Fuzzy Inference System (ANFIS) methods as soft computing methods are used to estimate the roughness coefficient in erodible open channels. To achieve this firstly, it is attempted effective parameter on the coefficient are extracted based on empirical methods and a dimensional analysis. Then effectiveness of the parameters on the coefficient is investigated via a sensitivity analysis versus the error of estimation. Following to the development of the models, they are implemented to estimate the coefficient. Based on the method none-dimensional water depth, Sheilds number, shear Reynolds number and none dimensional falling velocity are determined as input parameters of soft-computing models. Final results show that the employed methods are more accurate than empirical methods to estimate the parameter and these methods can be used as an alternative method for the estimation of parameters. In addition, the effectiveness of some other parameters such as shear Reynolds number and none dimensional water depth over the event are extracted by the sensitivity analysis.