پيش‌بيني پاسخ ديناميكي سيال در مخازن هوايي آب با استفاده از شبكه عصبي

Prediction of dynamic response of fluid in elevated water tanks using artificial neural network model

در اين مقاله، توانايي روش شبكه عصبي مصنوعي در پيش‌بيني رفتار ديناميكي سيال در مخازن هوايي آب مورد بررسي قرار گرفته است. براي اين منظور، يك مدل شبكه عصبي براي تخمين دو پارامتر فشار هيدروديناميك كف مخزن و نوسان سطح سيال ارائه شده است. مدل مورد نظر با استفاده از الگوريتم پس انتشار خطا در برنامه MATLAB نگارش و مورد آموزش و آزمون قرار گرفته است. داده‌هاي مورد نياز براي آموزش شبكه از نتايج تحليل ديناميكي غيرخطي يك نمونه مخزن هوايي بتني با پايه مركزي به كمك برنامه توان‌مند ANSYS استخراج شده است. تاريخچه زماني شتاب افقي زلزله به همراه تغييرمكان سقف مخزن و نيروي برش پايه به عنوان پارامترهاي ورودي استفاده شده‌اند. سپس عملكرد مدل ارائه شده با مقايسه نتايج حاصل از تحليل اجزاي محدود و خروجي مدل مورد ارزيابي قرار گرفته است. نتايج نشان مي دهد كه روش ارائه شده مبتني بر شبكه عصبي مصنوعي توانايي بسيار مناسبي در تخمين پاسخ ديناميكي سيال درون مخزن بويژه براي پارامتر فشار دارد.

The objective of this study is to investigate the adequacy of Artificial Neural Networks (ANN) as a method to determine the dynamic response of fluid in elevated water tanks. For this purpose, an ANN models were proposed to estimate the hydrodynamic pressure in bottom of container and sloshing of water surface. ANN models were developed, trained and tested in a based MATLAB program. Nonlinear dynamic analysis using Finite Element Application (FEA) based ANSYS was used to generate training and testing set of ANN models. In the ANN models, a multilayer perceptron (MLP) with a back-propagation (BP) algorithm was employed using a scaled conjugate gradient. The data used in the ANN model are arranged in a format of three input parameters that cover the time history of earthquake horizontal acceleration, container ceiling displacement and base shear force.The performance of the new ANN model is compared with ANSYS results. The comparison indicates that the ANN model has strong potential to estimate hydrodynamic pressure. It was demonstrated that the neural network based approach is highly successful to estimate response of fluid subjected to earthquake without using complex fluid elements.