تحليل حساسيت عوامل موثر در هوادهي سرريز با استفاده از روش هاي هوشمند مصنوعي و ANFIS

ANFIS and Neural Network Methods to Sensitivity Analysis of the Factors in Aerated Spillway

هوادهي به جريان عبوري از سرريزها توسط هواده ها يكي از روش هاي موثر در كاهش دادن خسارت ناشي از كاويتاسيون در اين سازه ها مي باشد. در اين تحقيق جهت برآورد هواي مورد نياز هواده ها از سه روش شبكه عصبي مصنوعي (مبتني بر الگوريتم لونبرگ- ماركواد)، تركيبي عصبي- فازي (ANFIS) و رابطه تجربي فيشر استفاده شد. پارامتر‌هاي h0 (عمق جريان در ابتداي سيستم هواده)، Qwater (دبي جريان عبوري از سريز)، s (ارتفاع پله)، ? (زاويه رمپ) و hs (اختلاف فشار بين اتمسفر و فشار زير جت جريان عبوري از روي سيستم هواده) به‌عنوان عوامل موثر بر ميزان جريان هواي مورد نياز هواده در نظر گرفته شدند و مدل سازي بر اساس اين پارامترها صورت گرفت. نتايج مدل سازي نشان داد كه در صورت در نظر گرفتن همه پارامترها روش ANFIS نسبت به دو روش ديگر عملكرد مطلوب تري دارد. نتايج تحليل حساسيت نشان داد كه پارامتر اختلاف فشار مهم‌ترين پارامتر در مدل سازي با استفاده از هر دو روش عصبي و ANFIS است به گونه اي كه در اثر حذف شدن اين پارامتر در مدل سازي، ريشه ميانگين مربعات خطا براي روش هاي شبكه عصبي و ANFIS به ترتيب در حدود 54/37 و 74/224 درصد افزايش مي يابد. درصد افزايش ريشه ميانگين مربعات خطا در اثر حذف شدن پارامتر ارتفاع پله براي روش شبكه عصبي و ANFIS به ترتيب در حدود 39/5 و 4/13 درصد مي باشد كه كمترين مقدار را در بين ساير پارامترها داشت و به‌عنوان كم اهميت ترين پارامتر در مدل سازي با استفاده از هر دو روش شناخته شد.

Aeration is one of the methods to reduce the cavitation damaged in spillways. The Aerators are designed in order adding air to flow. In this study, to estimate the required aerators air demand, three methods: neural network (based on Levenberg- Marquardt algorithm), ANFIS and the Fisherʹs experimental method was used. The parameters flow depth at the aeration system, flow discharge, Step height, Ramp angle and The pressure difference between atmospheric pressure and pressure under the flow jet in order to modeling was used. The Modeling results show that ANFIS method has better performance than the other two methods. In neural networks and ANFIS methods the pressure difference has the greatest impact on modeling. If this parameter is omitted in the modeling, root mean square error for ANN 37.54 and ANFIS 224.74 percent increases. In ANN and ANFIS methods Step height has the Minimum impact on modeling. If Step height parameter omitted in the modeling, root mean square error for ANN 5.39 and ANFIS 13.4 percent increases.