«يادداشت تحقيقاتي» كاربرد شبكه عصبي مصنوعي در برآورد مشخصات پرش هيدروليكي درحوضچه آرامش با ديواره همگرا و شيب كف منفي

»Research Note« Neural Network Model for Predicting Characteristics of Convergent Hydraulic Jump in Stilling Basins with Inverse Slope

در اين تحقيق از شبكه عصبي مصنوعي براي مدل‌سازي طول و عمق ثانويه پرش هيدروليكي در حوضچه آرامش با ديواره همگرا و شيب كف منفي -كه يكي از حالت‌هاي خاص و پيچيده در پرش هيدروليكي است- استفاده شده است. تعداد 1682 داده آزمايشگاهي طول و عمق ثانويه پرش هيدروليكي مربوط به مقاطع مستطيلي، براي شيب كف منفي %6/0-، %3/1- و %2- با زاويه همگرايي %7/2، %4 و %3/5 استفاده شده است. در توسعه مدل شبكه، 15 ساختار پرسپترون با تعداد مختلفي از لايه‌هاي پنهان ونرون‌ها ارزيابي شدند. در نتيجه، ساختاري كه بالاترين مقدار ضريب همبستگي را ايجاد مي‌كرد، به‌عنوان مدل بهينه انتخاب شد. براي مقاطع همگرا با شيب كف منفي، مناسبترين مدل شبكه عصبي براي تعيين عمق ثانويه پرش هيدروليكي، ساختار 1-3-6 با 16 نرون در لايه پنهان و ضريب برازش برابر 9974/0 به‌دست آمد. همچنين براي طول پرش ساختار 1-2-6 با 8 نرون در لايه‌هاي پنهان وضريب برازش برابر با 9865/0 به‌دست آمد. مقادير بالاي به‌دست آمده براي ضرايب برازش، بيانگر همبستگي نزديك بين مقادير خروجي مدل شبكه عصبي با داده هاي آزمايشگاهي است.

In this research, Artificial Neural Network (ANN) was adapted to model the hydraulic jump length and conjugate depth of the stilling basin with convergent wall and inverse slope. More than 1682 experimental data on jump length and conjugate depth of hydraulic jumps for basins with convergent wall were used. The data was for rectangular section, with a -0.6%, -1.3%, -2% inverse slope and 2.7%, 4%, 5.3% convergent wall. In developing ANN, 15 configurations, each having different number of hidden layers and/or neurons, were investigated. The optimal models were capable of predicting jump length and conjugate depth of hydraulic jumps for a wide range of conditions. In each case, the configuration attained highest R2 value was selected as the optimal model. For stilling basin with convergent wall and inverse slope, the simplest ANN model for conjugate depth had a 6-3-1 configuration with 16 neurons in each of hidden layer and R2 =0.9974. The simplest ANN model for jump length had a 6-2-1 configuration, with 8 neuron in each of hidden layer and R2 =0.9865. The high values obtained for R2 in all cases, suggest close agreement between the ANN output and the experimental data.