مقایسه برآورد ضریب بده جریان مدل فیزیکی سرریزهای فیوزگیت کنگره‌ای با مدل‌های هوشمند و آماری

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار مهندسی رودخانه، گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فنآوری کشاورزی، پردیس کشاورزی و منابع طبیعی کرج، دانشگاه تهران، ایران

2 دانشجوی دکتری رشته سازه‌های آبی، گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فنآوری کشاورزی، پردیس کشاورزی و منابع طبیعی کرج، دانشگاه تهران، ایران

چکیده

سرریزهای فیوزگیت با توجه به نمای از بالا، به دو مدل تاج مستقیم و تاج کنگره­ای تقسیم می­شوند. سرریزهای فیوزگیت کنگره­ای شامل سه نوع: دریچه باریک با بار کم (NLH)، دریچه عریض با بار کم (WLH) و دریچه عریض با بار زیاد (WHH) می­باشند. در این تحقیق، تاثیر ارتفاع متفاوت چاهک سرریز فیوزگیت مدل WLH و شیب کف بر ضریب بده جریان از روی سرریز بررسی شده، و مقدار ضریب بده از مدل شبکه عصبی مصنوعی و از روش آماری همبستگی چند متغیره با نرم­افزار SPSS برآورد گردید، و با نتایج نظیر از آزمون مدل فیزیکی مقایسه شده است. همچنین، تحلیل حساسیت عوامل موثر بدون بعد بر ضریب بده جریان مورد آزمون قرار گرفت. برای پیش­بینی ضریب بده جریان در مدل شبکه عصبی، بهترین برازش از کاربرد الگوریتم لونبرگ-مارکوآرت به­عنوان تابع آموزش، تابع انتقال تانژانت سیگمویید برای لایه پنهان، و تابع خطی در لایه خروجی، بدست آمد. نتایج تحلیل حساسیت نشان داد که در میان پارامترهای بی­بعد، تاثیر بار آبی بالادست به ارتفاع جام، از سایر متغیرهای ورودی بیش­تر است. مقدار خطای نسبی برآورد ضرایب بده جریان از مدل آماری، حدود 30 درصد و شبکه عصبی کم­تر از 5 درصد می­باشد. از این­رو، مدل شبکه­ی عصبی ابزار مناسبی برای تخمین ضریب بده جریان در سرریزهای فیوزگیت به­شمار می­آید. 

کلیدواژه‌ها


عنوان مقاله [English]

Performance Evaluation of Discharge Coefficient in Physical Models of Labyrinth Fusegate Spillways with Intellectual and Statistical Models

نویسندگان [English]

  • mehdi yasi 1
  • Zakieh Gholami 2
1 Associate Professor of River Engineering, Department of Irrigation and Reclamation Engineering, Faculty of Agricultural Engineering and Technology, Karaj Campus, University of Tehran, Iran.
2 Ph.D. Candidate of Hydro Structures Engineering, Department of Irrigation and Reclamation Engineering, Faculty of Agricultural Engineering and Technology, Karaj Campus, University of Tehran, Iran.
چکیده [English]

Fusegate spillways dispart into two models of straight and labyrinth crest according to their plan view. Labyrinth Fusegates are consists of three types: Narrow Low Head (NLH), Wide Low Head (WLH), and Wide High Head (WHH). In this study, the effect of well with different heights and floor slope in WLH model of Fusegate spillways investigated on discharge coefficient over the spillway, and the amount of discharge coefficient calculated by artificial neural network and statistical method of multivariate regression by SPSS software, and compared with the result of physical modeling tests. Also, the sensitivity analysis of effective factors on the flow discharge coefficient has been done. To predict the flow discharge coefficient in artificial neural network, the best fit was obtained from Levenberg-Marquardt algorithm application as training function, TANSIG as transfer function for hidden layer and linear function as output layer. The results of sensitivity analysis showed that among the dimensionless parameters, the ratio of upstream water head to height of bucket is more effective than the other input variables. To estimate the discharge coefficients, the amount of relative error in statistical model is approximately 30% and in neural network is less than 5%. Therefore, the neural network model is considered as a suitable tool for estimating the discharge coefficient in Fusegate Spillways.

کلیدواژه‌ها [English]

  • Artificial neural network (ANN)
  • Discharge Capacity
  • Levenberg-Marquardt Algorithm
  • WLH Spillway
برهمند،ن و جاعل،آ. 1386. استفاده از شبکه­های عصبی مصنوعی (ANNs) جهت تخمین مقدار ضریب دبی در سرریزهای جانبی (همراه با کاهش دبی). ششمین کنفرانس هیدرولیک ایران. دانشگاه شهرکرد.
بیرامی،م.ک. 1387. سازه­های انتقال آب. انتشارات دانشگاه صنعتی اصفهان. چاپ هفتم.
خلیلیان­پور،ا.ح.، صادقیان،ب.، و امانیان،ن. 1393. مدل­سازی سرعت در پرش هیدرولیکی بعد از سرریزهای اوجی شکل با استفاده از شبکه­های عصبی مصنوعی. هشتمین کنگره ملی مهندسی عمران، دانشکده مهندسی عمران، بابل.
غلامی،ز.، فضل­اولی،ر.، عمادی،ع.ر. 1392. تعیین آزمایشگاهی ضریب دبی سرریز فیوزگیت قبل از واژگونی با افزایش جرم وزنه، کنفرانس بین المللی عمران، معماری و توسعه پایدار شهری، دانشگاه آزاد اسلامی واحد تبریز.
غلامی،ز. 1392. بررسی آزمایشگاهی هیدرولیک جریان در سرریز فیوزگیت. پایان­نامه کارشناسی­ارشد سازه­های آبی. دانشکده مهندسی زراعی. دانشگاه علوم کشاورزی و منابع طبیعی ساری.
غلامی،ز و فضل­اولی،ر. 1393. بررسی آزمایشگاهی هیدرولیک جریان در 3 مدل سرریز فیوزگیت (WLH، خطی و خطی با نیم­رخ مایل) با افزایش شیب کانال، مجله هیدرولیک، دانشگاه تهران، دوره 9. شماره 2. 23-36.
کبیری سامانی،ع.ر.، آقاجان عبدالله،م.، حجاری طاقانکی،س.ر. 1389. تعیین ضریب دبی سرریزهای کناری منقاری با استفاده ار داده­های آزمایشگاهی و مدل شبکه­های عصبی. مهندسی عمران شریف. 2-27. 4: 85-92.
کبیری سامانی،ع.ر.، آقاجان عبدالله،م.، حجاری طاقانکی،س.ر. 1393. کاربرد مدل عصبی- فازی تطبیقی در تخمین ظرفیت آبگذری سرریزهای جانبی منقاری. مجله پژوهش آب ایران. 8. 4 : 47-54.
کیا،م. 1394. شبکه­های عصبی در Matlab. انتشارات داتشگاهی کیان، چاپ چهارم.
منهاج،م.ب. 1386. مبانی شبکه­های عصبی. جلد اول. انتشارات دانشگاه صنعتی امیرکبیر.
نیک­صفت،غ.ر. 1380. تئوری و کاربرد مدل­های هیدرولیک در طراحی سازه­های آبی. انتشارات وزارت نیرو- کمیته ملی سدهای بزرگ ایران، نشریه شماره 41.
Afshar,A., Marino,M.A and Jalali,M.R. 2003. Optimum Design of Fusegates; Reconciling Dam Safety and Increasing Storage Capacity, Journal of Civil Engineering. 1.1:28-32.
Bagheri,S., Lavaei,N. 2016. Application of Artificial Neural Network Modeling for Estimating the Discharge Coefficient of Linear Weirs. Journal of Applied Research of Water Sciences. 1.2:51-58.
Barcouda,M., Cazaillet,O., Cochet,P., Jones,B.A., Lacroix,S., Laugier,F., Odeyer,C and Vigny,J.P. 2006. Cost Effective Increasing in Storage and Safety of Most Dams using Fusegates or P.K. Weirs. Commission International Des Grands Barrages.Barcelona.
Bateni,S.M., Borghei,S.M and Jeng,D.S. 2006. Neural Network and Neuro-Fuzzy Assessments for Scour Depth around Bridge Piers. Journal of Engineering Applications of Artificial Intelligence. 20.:401-414.
Bilhan,O., Emin Emiroglu,M and Kisi,O. 2010. Application of Two Different Neural Network Techniques to Lateral Outflow over Rectangular Side Weirs Located on a Straight Channel. Journal of Advances in Engineering Software. 41.6:831-837.
Chevalier,S., Culshaw,S.T and Fauquez,S.T. 1996. The Hydroplus Fusegate System – four years on.The Réservoir as an Asset. Thomas Telford. London.
Falvey,H.T., Treille,P. 1995. Hydraulics and Design of Fusegates. Journal of Hydraulic Engineering. ASCE. 121.7:512-518.
Hornik,K., Stinchcombe,M and White,H. 1989. Multilayer Feedforward Networks are Universal Approximatiors. Neural Networks. 2:359-366.
Khorchani,M and Blanpain,O. 2005. Development of a Discharge Equation for Side Weirs using Artificial Neural Networks. Journal of Hydroinformatics. 07.1:31-39.
Kobus,H. 1980. Hydraulic Modelling. German Association for Water Resources and Land Improvement. DA Information Services Publisher. Bulletin.
Kocahan,H.T. 2003. Hydraulics and Design of Fusegates. USCOE.
Novak,P., Guinot,V., Jeffrey,A and Reeve,D.E. 2010. Hydraulic Modelling an Introduction. Spon Press. London and New York.
Parsaie,A. 2016. Predictive Modeling the Side Weir Discharge Coefficient using Neural Network. Journal Model. Earth Systems and Environment. Springer International Publishing Switzerland. 2.63:1-11.