بررسي توسعه زماني آبشستگي اطراف آبشكن‌هاي نفوذناپذير در كانال مستقيم و پيش‌بيني آن با شبكه‌هاي عصبي مصنوعي

Investigation of Time Variation of Scour around Impermeable Spur Dikes in the Straight Channel and its Prediction Using Artificial Neural Networks

تخمين حداكثر عمق آبشستگي اطراف آبشكن‌ها از مسايل مهم در طراحي آنها مي‌باشد. در مقاله حاضر توسعه زماني آبشستگي موضعي اطراف اولين آبشكن در سري آبشكن‌هاي نفوذناپذير مستقيم به ازاي نسبت‌هاي مختلف سرعت جريان به سرعت آستانه حركت ذرات (U/Ucr) و چهار نوع دانه بندي مصالح بستر (D50) مورد آزمايش قرار گرفته است. نتايج آزمايشگاهي نشان داد كه در شرايط يكسان در نسبت‌هاي پايين U/Ucr عمق آبشستگي در مدت زمان كمتري به عمق نهايي آبشستگي مي‌رسد، هم‌چنين به‌طور كلي بين 70 تا 90 درصد عمق آبشستگي تعادلي در 20 درصد اوليه زمان آبشستگي اتفاق مي‌افتد. در آزمايش‌هاي انجام شده با اندازه‌گيري حداكثر عمق آبشستگي در زمان‌هاي مختلف تعداد 787 داده آزمايشگاهي برداشت گرديد. مدل تحليلي (رگرسيوني) و بهترين مدل شبكه عصبي مصنوعي بدست آمده از اين مطالعه با روابط ارايه شده توسط محققين ديگر مقايسه و ارزيابي شدند. نتايج نشان داد كه شبكه عصبي مصنوعي توسعه زماني آبشستگي را بهتر از مدل‌هاي رگرسيوني بيش‌بيني مي‌كند.

Maximum scour depth around spur dikes is an important issue in design process. In the present research، time variation of scour around the first spur dike in a series of impermeable spur dikes was experimentally tested for different ratios of flow velocity to the threshold velocity of particle motion (U/Ucr) and four types of bed material gradation (D50). Experimental results showed that maximum scour depth reaches to an equilibrium condition in shorter time for lower ratios of U/Ucr. Furthermore the amount of 70 to 90% of equilibrium scour depth occurs during the first 20% of the equilibrium time. In the experiments, 787 laboratory data were totally collected with respect to maximum scour depth measured at different times of scouring. Analytical model (regression) and the best artificial neural networks model obtained from this study were compared by relationships provided with other researchers. The results showed that the ANN models of various training schemes outperform rather than the conventional regression models for both training and validation set of data.