پيش بيني مشخصات پرش هيدروليكي بر روي بستر زبر با استفاده از شبكه عصبي مصنوعي و برنامه ريزي ژنتيك

Prediction of Hydraulic Jump Characteristics on Rough Bed Using Artificial Neural Network and Genetic Programming

در تحقيق حاضر مشخصات پرش هيدروليكي با تحليل عمق و طول غلتان پرش بر روي بسترهاي زبركه بصورت تابعي از ارتفاع زبري و عدد فرود بالادست مي باشد با استفاده از مدل شبكه عصبي و برنامه ريزي ژنتيك شبيه سازي گرديد. عدد فرود اوليه جريان در محدوده 9/1 تا 10 و زبري نسبي بستر در محدوده 085/0 تا 025/2 قرار داشت. در كل تعداد 454 داده مشاهداتي پرش هيدروليكي براي آموزش وتست مدل هاي شبكه عصبي و برنامه-ريزي ژنتيك (GP) استفاده شده است. نتايج نشان مي دهد در هر دو مدل شبكه عصبي و برنامه ريزي ژنتيك تطابق خوبي بين مقادير اندازه گيري شده و پيش بيني شده مدل وجود دارند. نتايج اين مدل ها با روابط موجود براي بستر زبر مقايسه شده است. با توجه به بررسي هاي انجام گرفته خطاي محاسباتي مدل هاي عصبي و برنامه ريزي ژنتيك در مقايسه با روابط تجربي متداول كمتر شد. همچنين نتايج بدست آمده از مدل GP به صورت معادلات رياضي و نمودار درختي ارايه شده است.

In the present research the hydraulic jump characteristics such as depth and length of the jump on rough beds as functions of roughness height and initial Froude number were simulated using artificial neural network (ANN) and genetic programming (GP) models. In the experiments, initial Froude numbers and roughness ratios were in the range of 1.9 to10 and 0.085 to 2.025, respectively. Totally, 454 sets of the observed data were used in training and testing process of the proposed ANN and GP models. The results of the both artificial neural network and genetic programming models had good agreements with the measured data. Also the results of these models were compared with the known empirical equations for rough beds. It was shown that the ANN and GP models had less computational errors than the empirical equations. Also, the outputs of the GP model were presented in the form of mathematical equations and tree graph.