ارزيابي عمق استغراق بحراني در آبگيرهاي افقيِ منشعب از كانال

Evaluation of critical submergence for horizontal intakes derived from the channel

استفاده از آبگيرهاي افقي يكي از روش‌ هاي رايج در برداشت آب از مخازن و رودخانه‌ ها مي‌ باشد. وقوع جريان گردابي در دهانه‌ هاي آبگير يكي از مشكلات عمده اين نوع سازه‌ ها است. گرداب تشكيل شده در دهانه آبگير در مرحله اول منجر به كاهش راندمان آبگيري شده و در مرحله دوم بسته به نوع سازه، هواي ورودي به دهانه آبگير مي‌ تواند منجر به بروز خسارت به آن شود. بنابراين تخمين عمق استغراق بحراني بالاي آبگير به‌ منظور جلوگيري از تشكيل گرداب و ورود هوا به آن از ضروريت‌ هاي اصلي تحقيق بشمار مي‌ رود. مطالعه تحقيقات پيشين نشان داد كه در اكثر روابط پيشنهادي توسط محققين اثر فاصله از كف كانال C در معادلات لحاظ نشده و معادلات تنها در دو حالت و به صورت دو معادله مجزا ارائه شده‌ اند. مواد و روش ها: در اين تحقيق نتايج يك مطالعه آزمايشگاهي جهت بررسي اثر پارامترهاي مختلف جريان و فاصله آبگير از كف كانال بر عمق استغراق بحراني براي آبگيرهاي افقي در شرايط جريان آزاد ارائه شده است. در اين راستا نخست معادله حاكم بر فضاي تحقيق با استفاده از تئوري باكينگهام و رگرسيون غير خطي تعيين گرديد و در مرحله بعد جهت تدقيق نتايج از مدل‌ هاي شبكه عصبي و برنامه‌ سازي ژنتيك استفاده شد. بدين منظور در ابتدا با استفاده از تئوري آناليز ابعادي معادله حاكم بر فضاي تحقيق به صورت مشخص شد. سپس با استفاده از رگرسيون غيرخطي و نرم‌افزار تحليل‌گر آماري SPSS معادله حاكم بر فضاي تحقيق تعيين شد. تحليل نتايج آماري نشان داد كه معادله پيشنهادي جهت تخمين عمق نسبي استغراق بحرانيSc/Di در مقايسه با نتايج آزمايشگاهي داراي ضريب همبستگي 0/9363 و داراي مجذور ميانگين مربعات خطاي 0/3165 مي‌باشد. به منظور اعتبارسنجي اين معادله از نتايج حاصل از تحقيقات احمد و ميتال (2008) و ايوب لو و همكاران (2011) استفاده گرديد. يافته ها: مقايسه نتايج نشان داد، معادله حاصل از مطالعه احمد و ميتال مقدار عمق استغراق بحراني را 8 درصد بيشتر از نتايج آزمايشگاهي، معادله پيشنهادي ايوب لو و همكاران 6/8 درصد كمتر از نتايج آزمايشگاهي و در نهايت معادله پيشنهادي تحقيق حاضر، اين مقدار را 0/5 درصد بيشتر از نتايج آزمايشگاهي تخمين مي‌ زند. از طرفي مدل شبكه عصبي مصنوعي مقدار Sc/Di را 1/1 درصد كمتر از نتايج آزمايشگاهي و مدل برنامه‌سازي ژنتيك اين مقدار را 1/63 درصد بيشتر از نتايج آزمايشگاهي تخمين مي‌ زند. نتيجه گيري: مقايسه نتايج حاصل از مدل‌ هاي شبكه عصبي و برنامه‌ سازي ژنتيك نشان داد كه هر دو مدل داراي توابع خطاي مناسب‌ تري نسبت به معادله پيشنهادي هستند؛ اين در حالي‌ است كه مقايسه توابع خطاي محاسبه شده اين دو روش هوشمند حاكي از برتري نسبي عملكرد شبكه عصبي مصنوعي مي‌ باشد. از طرفي به دليل فرم ساده و كارآمد معادله پيشنهادي، استفاده از اين معادله جهت تخمين عمق نسبي استغراق بحراني در دهانه‌ هاي آبگير افقي در شرايط جريان آزاد توصيه مي‌ گردد.

Horizontal intakes are one of the most important parts of hydraulic sets such as river for irrigation or reservoir for power generation and industrial purposes. Air entrainment by means of a free air-core vortex occurring at intake pipes is an important problem encountered in hydraulic engineering. Formation of the vortices in front of intake is the result of complex interaction between many parameters and cause operational problems for turbine or pump and reduction of coefficient of discharge. Intake submergence depth could result in formation of the vortices. Study of previous research showed in the most of the equations that proposed by researchers were not included the effect of distance from the bottom of canal C in the equations and this equations was presented only in two state C=0 and C=Di/2 as two separate equations. In this study, the equation for estimating critical submergence are developed using experimental data. At first, the equation of present study was determined using dimensional analysis (Buckingham theory) and nonlinear regression and in the next step the Artificial Neural Network model and the Genetic Programming model was used for checking the accuracy of the results. At first, the overcoming equation of space research using the theory of dimensional analysis was defined as Sc/Di=f(C/Di, Vi/U, Fr). Then this equation was determined by nonlinear regression and SPSS software. The proposed equation includes the effect of vertical distance of intake to bottom of canal, velocity and Froud number. In this equation, the value of RMSE and are 0.3165 and 0.9363 respectively. Ahmed et al. (2008) and Ayoubloo et al (2011) Research was used to validate this equation. All the results was compared, Ahmed et al research in compared with experimental results predicted the depth of critical submergence 8% more, Ayoubloo et al research 6.5% less and the proposed equation of this research predicted the value 0.5% more. However, The Artificial Neural Network in compared with experimental results predicted the depth of critical submergence 1.1% less, while the Genetic Programming model estimates the depth of critical submergence 1.63% more. Compare the results of Artificial Neural Network and Genetic Programming was showed that the error functions of both of them are superior than the proposed equation. while the Genetic Programming model estimates the depth of critical submergence 1.63% more. Compare the results of Artificial Neural Network and Genetic Programming was showed that the error functions of both of them are superior than the proposed equation.