برآورد ضریب تخلیه سرریز جانبی کلیدپیانویی تیپ B در انحنای 120 درجه با استفاده از مدل های RBFو ANFIS و مقایسه با شبکه عصبی ANN

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانش آموخته کارشناسی ارشد و دانشجوی دکتری سازه های آبی دانشگاه تهران

2 استاد موسسه تحقیقات فنی و مهندسی کشاورزی، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران.

چکیده

سرریزهای جانبی در شبکه­های آبیاری و زهکشی، سیستم­های آّب و فاضلاب و کنترل سیلاب مورد استفاده قرار می­­گیرند و معمولاً برای کنترل تراز آب، انحراف جریان و تخلیه دبی اضافه استفاده می­شوند. با توجه به اهمیت بهبود عملکرد سرریزهای جانبی، می­توان از سرریزهای کلیدپیانویی که طول مؤثر بیشتری دارند، استفاده کرد. قوس بیرونی کانال­های دارای انحنا، بهترین مکان­ برای تعبیه سرریزهای جانبی هستند. در این پژوهش در ابتدا با بررسی آزمایشگاهی بر روی سرریزجانبی کلیدپیانویی تیپ Bدر قطاع 120 درجه ضریب تخلیه این سرریزها برای هر آزمایش استخراج شد.سپس توانایی مدل, RBF ANFIS و شبکه عصبی ANN در پیش­بینی ضریب تخلیه سرریز مورد ارزیابی قرار گرفت. برای این منظور دو مدلRBF و ANFIS در محیط نرم­افزار MATLABکدنویسی شد. با تحلیل نتایج به­دست آمده، هر دو مدل RBF و ANFIS دارای دقت بالاتری نسبت به شبکه عصبی ANN هستند. همچنین مشخص شد که مدل RBF با RMSE=0.044 و R2=0.974 دارای دقت بالاتری نسبت به مدل هوشمند ANFIS با=0.0529   RMSEو=0.981  R2 است. شبکه عصبی مصنوعی با=0.0694  RMSE و R2=0.82 از لحاظ دقت پیش­بینی بعد از دو مدل یادشده است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Estimating the Discharge Coefficient of the Type B Piano-Key Side Weir at a 120° Curve using RBF and ANFIS Models in Comparison with Artificial Neural Networks

نویسندگان [English]

  • yaser mehri 1
  • NADER Abbasi 2
1 M.Sc Graduate and PhD. Student, Department of Irrigation and Reclamation Engineering, College of Agriculture and Natural Resources, University of Tehran.
2 Professor, Agricultural Engineering Research Institute, Agricultural Research, Education and Extension Organization (AREEO), Karaj, Iran.
چکیده [English]

Side weirs are used to control the water level, flow deviations and drain the excess discharge in irrigation networks, sewer systems, and flood control systems. Considering that it is not possible to increase the length of side weirs to increase their capacity, other types of weirs may be used to overcome this problem. Therefore, incorporating weirs that are associated with a higher length of the same width can be helpful. Accordingly, non-linear piano-key weirs may be used side weirs. Numerical methods can be used to estimate the discharge coefficient of piano-key weirs. Bilhan et al. (2011) used an ANN to estimate the discharge coefficient in a curved canal with a labyrinth weir. Ebtehaj et al. (2015) used the GEP model to estimate the coefficient of discharge in a straight canal. Parsaei (2016) studied the accuracy of the ANN in estimating the coefficient of discharge in a sharp-crested rectangular ogee weir and found the ANN to offer an acceptable accuracy. None of the previous studies have addressed the efficiency of intelligent models in estimating the discharge coefficient of ogee-shaped piano-key weirs. Therefore, this study aims to obtain the discharge coefficient of the piano-key weirs using RBF, ANFIS, and ANN models.

کلیدواژه‌ها [English]

  • Artificial Intelligence
  • Experimental Study
  • Curved Channel
  • Discharge Coefficient
  • Estimation
1- Bilhan, O., Emiroglu, M.E. and Kisi, O., 2011. Use of artificial neural networks for prediction of discharge coefficient of triangular labyrinth side weir in curved channels. Advances in Engineering Software, 42(4), pp.208-214.
 
2- Dursun, O.F., Kaya, N. and Firat, M., 2012. Estimating discharge coefficient of semi-elliptical side weir using ANFIS. Journal of Hydrology, 426, pp.55-62.
 
3- Ebtehaj, I., Bonakdari, H., Zaji, A.H., Azimi, H. and Khoshbin, F., 2015a. GMDH-type neural network approach for modeling the discharge coefficient of rectangular sharp-crested side weirs. Engineering Science and Technology, an International Journal, 18(4), pp.746-757.
 
4- Ebtehaj, I., Bonakdari, H., Zaji, A.H., Azimi, H. and Sharifi, A., 2015b. Gene expression programming to predict the discharge coefficient in rectangular side weirs. Applied Soft Computing, 35, pp.618-628.
 
5- Emiroglu, M.E. and Kisi, O., 2013. Prediction of discharge coefficient for trapezoidal labyrinth side weir using a neuro-fuzzy approach. Water Resources Management, 27(5), pp.1473-1488.
 
6- Karbasi, M. and Azamathulla, H.M., 2016. GEP to predict characteristics of a hydraulic jump over a rough bed. KSCE Journal of Civil Engineering, 20(7), pp.3006-3011.
 
7- Mahdavi, A. and Ahadiyan, J., 2015. Evaluation of Statistical, Empirical, Neural Networks and Neural – Fuzzy Techniques for Estimation of Spillway Aerators. Journal of Water Sciences Engineering, 38(3), pp.51-61. (In Persian)
 
8- Onen, F., 2014. GEP prediction of scour around a side weir in curved channel. Journal of Environmental Engineering and Landscape Management, 22(3), pp.161-170.
 
9- Parsaie, A., 2016. Predictive modeling the side weir discharge coefficient using neural network. Modeling Earth Systems and Environment, 2:63, 1-11.
 
10- Salmasi, F., Yıldırım, G., Masoodi, A. and Parsamehr, P., 2013. Predicting discharge coefficient of compound broad-crested weir by using genetic programming (GP) and artificial neural network (ANN) techniques. Arabian Journal of Geosciences, 6(7), pp.2709-2717.
 
11- Shamshirband, S., Bonakdari, H., Zaji, A.H., Petkovic, D. and Motamedi, S., 2016. Improved side weir discharge coefficient modeling by adaptive neuro-fuzzy methodology. KSCE Journal of Civil Engineering, 20(7), pp.2999-3005.
 
12- Yar Mohammadi, B., and Ahadiyan, J., 2016. Experimental Study of Flow Hydraulic in Piano Key          Weirs at Different Parapet Wall. Journal of Water Sciences Engineering,39(4), PP. 47-48. (In Persian).