تخمين عمق آبشستگي ناشي از جت پيش هوادهي شده با استفاده از هوش مصنوعي

جريان عبوري از سيستمهاي تخليه سيلاب اغلب به صورت جتهاي ريزشي خارج ميشود كه اين امر ميتواند منجر به آبشستگي با ابعاد مختلف در رودخانه پاياب و اطراف اين سازهها گردد. پيشبيني ابعاد حفره آبشستگي، از مسايل چالش برانگيز علم هيدروليك محسوب ميگردد. ابعاد و مشخصات حفره آبشستگي متأثر از متغيرهاي متعددي از قبيل پارامترهاي جريان، مشخصات بستر آبرفتي، زمان و هندسه آبراهه و همچنين ارتفاعريزش ميباشد. با افزايش ميزان ارتفاع ريزش در جتهاي ريزشي، ميزان غلظت هواي تركيب شده با جت افزايش يافته و منجر به كاهش اثر مغزه جت بر ميزان عمق آبشستگي ميگردد. از آنجاييكه ساخت مدل فيزيكي مشكلات و محدوديتهايي به همراه دارد و معمولا در تعيين نگاشت ميان پارامترهاي موثر بر آبشستگي نميتوان اثر دقيق همه پارامترها را در نظر گرفت، لذا در مقاله حاضر بهينهيابي ابعاد حفره آبشستگي ناشي از جتهاي ريزشي با استفاده از هوش مصنوعي مورد توجه قرار گرفته است. در اين راستا از دادههاي آزمايشگاهي حاصل از بررسي اثرهوادهي جت بر عمقآبشستگي استفاده شده است. تحقيق حاضر پيرامون كاربرد سيستم هوشمند در تعيين اثر ميزان هواي ورودي درون جت خروجي از نازل مستغرق بر ابعاد آبشستگي ارائه گرديده است. در اين راستا ابتدا با استفاده از 80 درصد دادههاي آزمايشگاهي نسبت به آموزش شبكه عصبي مصنوعي اقدام گرديد. سپس با استفاده از 20 درصد از دادههاي آزمايشگاهي ديگر كه هيچ نقشي را در هنگام آموزش شبكه عصبي ايفا ننمودهاند نسبت به صحتسنجي نتايج حاصل از شبكه هوشمند ياد شده مبادرت ورزيده شد. بررسيهاي آماري صورت گرفته بر پارامترهاي مختلف هيدروليكي موثردر عمق آبشستگي نشان ميدهد كه حداكثر خطاي حاصله در اثر استفاده از مدل شبكه عصبي مصنوعي در تخمين عمق حفره آبشستگي 1.03درصد و حداكثر خطاي مقدار نظير بهنگام استفاده از معادله رگرسيون غير خطي معادل 3.5 ميباشد. از طرفي بين مقادير ابعاد حفره آبشستگي پيشبيني شده توسط شبكه عصبي مصنوعي از ضريب همبستگي 0.99 برخوردار است.