نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد سازه های آبی دانشگاه تهران

2 دانشیار موسسه تحقیقات فنی ومهندسی کشاورزی ، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران

چکیده

پرش هیدرولیکی نوع B پرشی است که روی سطح شیبدار با شیب مثبت یک شوت تحت شرایط خاص اتفاق می­افتد، به
گونه­ای که تعیین عمق ثانویه و طول غلتاب در آن برای حفاظت از سازه­های ساخته شده و جلوگیری از آبشستگی ضروری است. دراین پژوهش کاربرد دو روش هوشمند سامانه استنتاج فازی و فازی - عصبی بحث و بررسی شده است. برای مد­­ل­سازی از
داده­های آزمایشگاهی استفاده و کد نویسی در محیط نرم افزار متلب انجام شد. از الگوریتم تکرار شونده برای بهینه نمودن هردو مدل استفاده شد. نتایج نشان داد که الگوریتم تکرار شونده که برای بهینه­سازی در هردو مدل استفاده گردید، سبب کارایی بهتر مدل­ها شد. روش­های مورد استفاده در این تحقیق توانایی پیش­بینی مشخصات پرش هیدرولیکی را با دقت قابل قبول دارا هستند و نسبت به مدل­های فیزیکی و روش­های تجربی با توجه به پیچیده بودن شرایط از لحاظ زمان و هزینه برای پیش­بینی مناسب­ترند. از نتایج دیگر این پژوهش انعطاف پذیری بالای مدل فازی – عصبی نسبت به سامانه استنتاج فازی است. همچنین می­توان به دقت بالاتر مدل فازی- عصبی نسبت به سامانه استنتاج فازی اشاره نمود. با توجه به ارزیابی دو مدل سامانه استنتاج فازی و مدل فازی – عصبی تطبیقی استفاده شده در این تحقیق شاخص­های ارزیابی­ برای پیش­بینی عمق ثانویه پرش و طول غلتاب با جذر میانگین مربعات خطا 014/0 و ضریب تعیین 997/0 برای عمق ثانویه و جذر میانگین مربعات خطای 033/0 و ضریب تعیین 983/0 برای طول غلتاب نشان می­دهد که مدل فازی - عصبی، مدلی مناسب برای پیش­بینی پارامتر­های پرش هیدرولیکی می­باشد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

An Assessment of Using Intelligence Fuzzy Models to Tstimate the Sequent Depth and Roller length of B-type Hydraulic Jump

نویسندگان [English]

  • Yaser Mehri 1
  • Nader Abbasi 2

1 MSc. Student, Abboreyhan Campus, University of Tehran, Tehran, Iran.

2 Associate Professor, Agricultural Engineering Research Institute, Agricultural Research, Education and Extension Organization (AREEO), Karaj, Iran.

چکیده [English]

Development of irrigation and drainage networks is known as one of the most effective approaches for the optimal use of limited water resources (Abbasi., 2011). But many of the constructed networks suffer from different problems which raised from different reasons. Rahimi et al. (2011) categorized these reasons as; poor design, improper construction operation, low quality of construction materials, poor operation and maintenance, and geotechnical problems of the subgrade materials. Stilling basins are commonly used structures in order to dissipate the energy in downstream of chutes. In general, a hydraulic jump would be created at the end of the chute. The B-type hydraulic jump takes place on the positively inclined plane of a chute under particular conditions. In this condition, determination of the secondary depth and the length of the roller is essential for protecting the structures. Since there is no  proper analytical method to solve the momentum equation for the mentioned condition, using of different smart techniques such as artificial intelligence was considered recently. Caralo et al. (2011) developed different models for determination of the flow characteristics for B-type hydraulic jump. Dusan etal. 2012 presented a neo- Fuzzy system for predicting the weir coefficient.  Akib etal. (2014) predicted the scouring depth by using of neo- Fuzzy system. Azamathulla et al. (2012) developed a neo-fuzzy system for prediction of the sediment transport. In this research, the application of two intelligence methods including Neuro - Fuzzy Inference System and fuzzy inference system were investigated.

کلیدواژه‌ها [English]

  • Keywords: fuzzy logic
  • Hydraulic jump
  • Forecasting
  • Energy dissipation

1-    شکریان، م. و م. شفاعی بجستان. 1393. اثر ارتفاع زبری بستر تندآب بر خصوصیات پرش نوع B. مجله علمی پژوهشی آب و خاک، (2)24: 226-215.

 

2-    شکریان، م. و م. شفاعی بجستان. 1393. برآورد نسبت عمق های مزدوج پرش هیدرولیکی نوع B بر روی بستر صاف. مجله علمی پژوهشی علوم و مهندسی آبیاری، (3)37: 42-32.

 

3- Abbasi, N. 2011. The role of anions in dispersion potential of clayey soil. Journal of Agricultural Engineering Research, 12(3), IAERI, 12(3): 15-30.

 

4- Adam, A., M. Ruff, J. F., AlQaser, G. and S.R. Abt. 1993. Characteristics of B-jump with different toe locations. Journal of Hydraulic Engineering, 119(8): 938-948.

 

5- Akan, A.O. 2011. Open channel hydraulics. Butterworth-Heinemann.

 

6- Akib, S., Mohammadhassani, M. and A. Jahangirzadeh. 2014. Application of ANFIS and LR in prediction of scour depth in bridges. Computers & Fluids, 91: 77-86.

 

7- Azamathulla, H.M., Ghani, A.A. and S. Y. Fei. 2012. ANFIS-based approach for predicting sediment transport in clean sewer. Applied Soft Computing, 12(3): 1227-1230.

 

8- Bradley, J.N. and A. J. Peterka. 1957. The hydraulic design of stilling basins: hydraulic jumps on a horizontal apron (basin i). Journal of the Hydraulics Division, 83(5): 1-24.

 

9- Carollo, F.G., Ferro, V. and V. Pampalone. 2011. Sequent depth ratio of a B-jump. Journal of Hydraulic Engineering, 137(6): 651-658.

 

10- Dursun, O.F., Kaya, N. and M. Firat. 2012. Estimating discharge coefficient of semi-elliptical side weir using ANFIS. Journal of Hydrology, 426: 55-62.

 

11- Hager, W.H. 1988. B-jump in sloping channel. Journal of Hydraulic Research, 26(5): 539-558.

 

12- Jacquin, A.P. and A. Y. Shamseldin. 2006. Development of rainfall–runoff models using Takagi–Sugeno fuzzy inference systems. Journal of Hydrology, 329(1): 154-173.

 

13- Karbasi, M. and H. M. Azamathulla. 2016. GEP to predict characteristics of a hydraulic jump over a rough bed. KSCE Journal of Civil Engineering, 20(7): 3006-3011.

 

14- Kawagoshi, N. and W. H. Hager. 1990. B-jump in sloping channel, II. Journal of Hydraulic Research, 28(4): 461-480.

 

15- Kosko, B. 1994. Fuzzy systems as universal approximators. IEEE Transactions on Computers, 43(11):1329-1333.

 

16- Rahimi, H., Abbasi, N. and H. Shantia. 2011. Application of geomembrane to control piping of sandy soil under concrete canal lining (case study: Moghan irrigation project, Iran).  Journal of Irrigation and Drainage Engineering, 60: 330-337.

 

17- Shirsath, P.B. and A. K. Singh. 2010. A comparative study of daily pan evaporation estimation using ANN, regression and climate based models. Water Resources Management, 24(8): 1571-1581.

 

18- Yazdandoost, F.Y., Bateni, S.M. and M. Fazeli. 2007. B-Jump: Roller length, sequent depth, and relative energy loss using Artificial Neural Networks. Journal of Hydraulic Research, 45(4): 529-537.