تخمين عمق آبشستگي سازه‌هاي كنترل شيب با سرريز لبه تيز با استفاده از مدل‌هاي هوش مصنوعي

مقدمه: عدم قطعيت پارامترهاي فيزيكي فرايند عمق آبشستگي پايين‌دست سازه هاي كنترل شيب با سرريز لبه تيز، نتايج مدل‌سازي را تحت تأثير قرار مي دهند. روش : در اين تحقيق، از روش‌هاي هوش مصنوعي براي تخمين مقدار عمق آبشستگي سازه هاي كنترل شيب با سرريز لبه تيز به دليل پيچيدگي پديده استفاده شد. از سه مدل شبكه عصبي، سيستم عصبي فازي تطبيقي و ماشين بردار پشتيبان به‌عنوان روش هاي هوش مصنوعي يا جعبه سياه براي حل مسئله استفاده گرديد. به‌منظور شبيه سازي عمق آبشستگي در سازه‌هاي كنترل شيب با سرريز لبه تيز از 225 داده استفاده شد. در تمامي مدل ها، از 70 درصد داده ها براي واسنجي و از 30 درصد داده ها براي صحت سنجي در روش هاي هوش مصنوعي استفاده به عمل آمد. يافته ها: آناليز حساسيت نسبت به پارامترهاي ورودي در هر سه مدل پيشنهادي نشان داد كه اعمال پارامترهاي عرض سرريز، ارتفاع ريزش آب، ارتفاع آب روي تاج، اختلاف ارتفاع آب در بالادست و پايين دست، قطر متوسط ذرات و عمق آب در پايين دست، كارايي مدل ها را بهبود مي دهد. در تخمين ميزان عمق آبشستگي پايين‌دست سازه‌هاي كنترل شيب با سرريز لبه تيز در هر دو مرحله واسنجي و صحت سنجي، مدل سيستم عصبي فازي تطبيقي نسبت به مدل شبكه عصبي تا 20 درصد و نسبت به مدل ماشين بردار پشتيبان تا 8.5 درصد بر اساس معيارهاي رايج در ارزيابي مدل ها، قابليت اطمينان بيشتري دارد كه اين امر مي تواند به دليل توانايي تئوري فازي در غلبه بر عدم قطعيت پارمترهاي موثر در تخمين ميزان عمق آبشستگي باشد. نتيجه گيري: نتايج مدل سازي ميزان عمق آبشستگي پايين‌دست سازه‌هاي كنترل شيب با سرريز لبه تيز با استفاده از مدل هاي هوش مصنوعي نشان مي دهد كه كارايي اين مدل ها در پيش‌بيني مقادير آبشستگي مناسب هستند و نسبت به روش هاي تجربي رايج در زمينه دقيق تر مي باشند كه اين امر مي تواند به علت غيرخطي و پيچيده بودن طبيعت مسئله باشد.