تعيين قابليت تكنيك هاي هوش مصنوعي در تخمين استهلاك انرژي سرريزهاي پلكاني با رژيم جريان رويه اي

Determining the capability of artificial intelligence in estimating energy dissipation of skimming flow regime at stepped spillways

استهلاك انرژي در سرريز‌هاي پلكاني از اهداف اوليه اين گونه سازه‌ها محسوب مي‌شود. در اين پژوهش دقت روش شبكه عصبي مصنوعي (ANN)، روش مدل استنتاج عصبي فازي تطبيقي كه بر اساس الگوريتم بهينه‌سازي كرم شب‌تاب آموزش‌ ديده است (ANFIS-FA) و روش برنامه‌نويسي بيان ژن (GEP) در تخمين افت انرژي سرريز‌هاي پلكاني با رژيم جريان رويه‌اي مورد بررسي قرار گرفته است. همچنين با انجام آناليز حساسيت به بررسي اهميت پارامترهاي ورودي در پيش‌بيني افت انرژي براي هر يك از سه روش ذكر شده پرداخته ‌شده است. بدين منظور از تعداد 154 سري داده آزمايشگاهي استفاده ‌شده است. پارامترهاي ورودي براي هر روش شامل عدد فرود اوليه پرش، عدد آبشار، تعداد پلكان، شيب سرريز پلكاني و نسبت عمق بحراني به ارتفاع پله هست. نتايج نشان مي‌دهد كه هر سه روش توانايي بالاتري در پيش‌بيني افت انرژي نسبت به روش‌هاي كلاسيك براي تخمين افت انرژي كه بر پايه روش‌هاي متداول رگرسيون گيري بنا شده است داشته‌اند. نتايج روش ANFIS-FA (با 2/385= MAEو 0/979=R2) تا حدودي بيشتر از روش GEP (با2/672= MAEو 0/978=R2) است. دقت بيشتر ساختارهاي شبكه عصبي مورد استفاده در اين تحقيق پايين‌تر از دو روش فوق است. با اين ‌وجود بيشترين دقت به‌ دست‌ آمده مربوط به شبكه عصبي پرسپترون چند لايه با 3 لايه مخفي با تعداد به تريتب 12 و 8 و 7 نرون در هر لايه (با 0/848= MAEو 0/994=R2) است. در هر سه روش مؤثرترين پارامتر، عدد آبشار و كم اثرگذارترين پارامتر، شيب سرريز پلكاني است.

Energy dissipation in stepped spillways is one of the primary goals of such structures. In this study, the accuracy of the Artificial Neural Network (ANN), Adaptive Fuzzy Neural Inference System based on the trained Firefly Algorithm utilized for optimization (ANFIS-FA) and the Gene Expression Programming method (GEP), in estimating the energy loss of skimming flow regime over stepped spillways was studied. Also, by performing sensitivity analysis, the importance of input parameters in predicting energy loss for each of the three mentioned methods was investigated. For this purpose, 154 series of experimental data were considered. The input parameters for each method include hydraulic jump, Froude number, dro‎p number, number of steps, Pseudo bottom slope and the ratio of the critical depth to the height of each step. The results show that all three methods had a higher ability to predict energy loss compared to classical methods based on conventional regression methods. The accuracy of the ANFIS-FA method is slightly higher than the GEP method. The accuracy of the ANN is slightly lower than mentioned methods. However, the highest accuracy is related to the multilayer perceptron ANN with 3 hidden layers with 12, 8 and 7 nodes in each layer, respectively. In all three methods, the most effective parameter was found to be the drop number and the least effective parameter was the bottom slope.