مهدی درخشان نیا - دانشجوی دکتری، گروه مهندسی عمران، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران.
مهدی قمشی - استاد، گروه سازه های آبی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران.
سید سعید اسلامیان - استاد، گروه مهندسی عمران، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران. و گروه مهندسی آب، دانشکده کشاورزی، دانشگاه صنعتی اصفهان، اصفهان، ایران
سید محمود کاشفی پور - استاد، گروه سازه های آبی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران.

چکیدهمقدمه :  جریان چگال یکی از عوامل موثر بر انتقال رسوبات به مخازن سدها می باشد. در این راستا یکی از روش های عملی برای کنترل رسوبات، ایجاد مانع در مسیر این جریان ها می­باشد.روش :  در این تحقیق آزمایشگاهی، رفتار جریان چگالی تحت تاثیر موانع استوانه ای ساخته شده از چوب با قطر ۱.۵ سانتی متر و ارتفاع ۳۰ سانتی متر (بیش از ارتفاع بدنه جریان چگالی) مورد ارزیابی قرار گرفت. بنابراین با در نظر گرفتن متغیرهایی مانند شیب کف، غلظت و دبی، مقادیر هد جریان غلیظ تعیین شد. همچنین در این مقاله از الگوریتم های یادگیری ماشین مانند سیستم استنتاج فازی-عصبی تطبیقی و شبکه عصبی مصنوعی برای مدل سازی نتایج استفاده شد.یافته ­ها :  بر اساس نتایج، هد جریان نمک چگال با استفاده از الگوریتم های یادگیری ماشینی مانند سیستم استنتاج عصبی فازی تطبیقی و شبکه عصبی مصنوعی مدل سازی انجام شد و عملکرد این دو روش مقایسه شد. نتایج نشان داد که الگوریتم های یادگیری ماشین در مدل سازی هد جریان نمک چگالی مفید هستند و مقادیر رگرسیون سیستم استنتاج فازی عصبی تطبیقی برای داده های آموزش و آزمون ۰.۹۹ و رگرسیون شبکه عصبی مصنوعی به ترتیب ۰.۹۴ و ۰.۹۱ به دست آمد.نتیجه ­گیری : با مقایسه این دو روش مشخص شد که سیستم استنتاج عصبی-فازی تطبیقی در مدل سازی درصد کاهش جریان سر چگالی نسبت به روش شبکه عصبی مصنوعی پیش خور موثرتر بوده است.

جریان غلیظ, درصد کاهش هد, رسوب گذاری, سیستم استنتاج عصبی_ فازی تطبیقی, شبکه عصبی مصنوعی پیش خور