کاربرد شبکه عصبی در بهینه‌سازی هوادهی تخلیه‌کننده‌های خروجی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار/بخش مهندسی عمران دانشگاه خواجه نصیر طوسی، تهران، ایران

2 دانشجوی دکتری /بخش مهندسی عمران دانشگاه خواجه نصیر طوسی، تهران، ایران

چکیده

در این مقاله به بررسی هوادهی در مجاری بسته پرداخته شده است.  با توجه به عدم وجود روابط همخوان برای پیش‌بینی و محاسبه بهینه دبی هوای ورودی و به دلیل تاثیرگذاری پارامترهایی مختلف همچون آشفتگی،  هندسه مجرا قبل و بعد از دریچه و شرایط هیدرولیکی بر میزان هوا گیری، با استفاده از اطلاعات بدست آمده از مدل‌های فیزیکی موجود به آموزش شبکه عصبی مصنوعی به عنوان ابزاری مناسب در جهت محاسبه بهینه هوای ورودی پرداخته شود.  شبکه عصبی مصنوعی با ویژگی یادگیری یا نگاشت پذیری بر اساس ارائه داده‌های تجربی به همراه قدرت و توانایی تعمیم پذیری و ساختار پذیری موازی برای سیستم‌های پیچیده که مدل‌سازی آنها به سختی انجام می‌شود مناسب می‌باشد.  از آنجا که در میان الگوریتم‌های معمول آموزش شبکه، الگوریتم پس انتشار خطا Back Propagation با فراهم آوردن روش محاسباتی کارا، به عنوان بیشترین کاربرد در مسائل فنی- مهندسی شناخته شده و استفاده از آن به کمک توابع تبدیل غیر خطی از طریق آموزش پارامترهای شبکه در راستای بهینه سازی شاخص اجرایی به عنوان معمول‌ترین راه حل در مسائل پیچیده مهندسی با پارامترهای متعدد شناخته شده است، لذا در مقاله حاضر از روش فوق جهت طراحی شبکه استفاده شده است. اطلاعات آزمایشگاهی از موسسه تحقیقات آب ایران و بر اساس مدل‌های هیدرولیکی تخلیه کننده‌های تحتانی سدهای در دست ساخت بدست آمد.  این اطلاعات شامل تخلیه کننده‌های تحتانی دشت عباس، مدل اولیه و مدل اصلاح شده تخلیه‌کننده سد جگین و تخلیه‌کننده سدهای جره، کرخه، البرز و کوثر می‌باشد. در این ارتباط سعی گردید تا جهت افزایش اطلاعات با انجام آزمایش‌های تکمیلی و اضافی نیاز اساسی این پژوهش مرتفع گردد. آزمایش‌های تکمیلی انجام گرفته بر روی مدل تخلیه کننده‌های سد جگین (مدل اصلاح شده)، البرز و دشت عباس توسط این محققان صورت پذیرفته است. همچنین اطلاعات مربوط به تخلیه‌کننده‌ ‌تحتانی سد فولسوم در آمریکا نیز از منابع خارجی کسب و مورد استفاده قرار گرفت بر اساس نتایج بدست آمده نشان داده شد که شبکه عصبی مورد استفاده توانائی بسیار قابل قبولی جهت پیش‌بینی و تخمین میزان هوای مورد نیاز بعد از دریچه داشته است.

کلیدواژه‌ها


عنوان مقاله [English]

Application of Neural Network for Flow Aeration downstream of Outlet Leaf Gates

نویسندگان [English]

  • M. R Kavianpour 1
  • E Rajabi 2
1 Assistant Professor, Civil and Structural Engineering Department, Khajeh Nasir Toosi University of Technology, Tehran, Iran
2 PhD. Candidate, Civil and Structural Engineering Department, Khajeh Nasir Toosi University of Technology
چکیده [English]

Aeration of flow downstream of outlet gates is an effective way to eliminate the risk of cavitation. Many works have been done and various relationships have been developed to predict the quantity of entrained air. Owing the complexity of flow in the aeration zone arising from the two-phase flow, these relationships cannot however be used in general. On the other hand, in recent years, applications of Artificial Intelligence, such as Neural Network, Fuzzy Logic, and Generic Algorithm have attracted the attention of many investigators. These are known as powerful tools to solve engineering problems with uncertainties. In this paper, based on experimental data obtained from field measurements and physical model studies, an Artificial Neural Network (ANN) with a general back propagation error, is suggested to estimate the air demand downstream of bottom outlet gates. The results with a regression parameter of 0.992 showed that the model is very well capable of predicting air demand.

کلیدواژه‌ها [English]

  • Neural Network
  • Aeration
  • Outlet Gate
  • Cavitation
Campbell, F.B. and Guyton, B. (1953), “Air demand in gated outlet works”, Proceedings of the Minnesota International Hydraulics Convention, Minneapolis.
Foresee, F.D. and Hagan, M.T. (1997), “Gauss-Newton approximation to Bayesian regularization”, Proceedings of the 1997 International Joint Conference on Neural Networks, pp. 1930-1935.
Hagan, M.T., Demuth, H.B. and Beale, M.H. (1996), Neural network design, Boston, MA: PWS Publishing.
Hagan, M.T. and Menhaj, M. (1994), “Training feed-forward networks with the Marquardt algorithm”, IEEE Transactions on Neural Networks, 5(6),
pp. 989-993.
Haykin, S. (1998), Neural network: a comprehensive foundation, 2nd Ed. Prentice–Hall, USA.
Kavianpour, M.R. and Khosrojerdi, A. (2001), “Review the physical model studies of new bottom outlets in Iran”, Proceedings of 29th IAHR Congress, September, China.
Kavianpour, M.R. (2003), “Aerators in bottom outlet conduits”, Amirkabir Journal of Science and Technology, 14 (55), Summer, Iran.
Kavianpour, M.R. and Rajabi, E. (2005), “Air demand downstream of bottom outlet leaf gates”, Proceedings of 73rd Annual Meeting of ICOLD, Summer, Tehran, Iran.
MacKay, D.J.C. (1992), “Bayesian interpolation”,Neural Computation, 4 (3),  pp. 415-447.
Rajabi, E. (2004), “Application of neural network for flow aeration downstream of outlet gates”, A Thesis Submitted to the Department of Civil Engineering, K.N. Toosi Unversity of Technology,  for the Fulfillment of Master of Engineering Degree. 
Riedmiller, M. and Braun, H. (1993), “A direct adaptive method for faster backpropagation learning: The RPROP algorithm”, Proceedings of the IEEE International Conference on Neural Networks.
U.S. Army (a), Office of the Chief of Engineers (1988), “Hydraulic design of reservoir outlet works”, Engineering Manual EM1110-2-1602.
U.S. Army (b), Office of the Chief of Engineers (1988), “Hydraulic design criteria, air demand-regulated outlet works”, Sheet 050-1/1.
Vogl, T.P., Mangis, J.K., Rigler, W.T. and Alkon, D.L. (1988), “Accelerating the convergence of the backpropagation method”, Biological Cybernetics, 59, pp. 256-264.