برآورد حداکثر عمق آبشستگی حول آبشکنها با استفاده از شبکه عصبی مصنوعی

در این تحقیق، توانایی برآورد شبکه عصبی مصنوعی در میزان حداکثر عمق آبشستگی حول آبشکن بررسی می شود. محاسبه میزان حداکثر عمق آبشستگی یکی ازمسائل اساسی در طراحی آبشکنهاست. پیچیدگی الگوی جریان حول آبشکنها و گوناگونی عوامل موثر بر آبشستگی، موجب تعدد روابط کاربردی و کاهش دامنه هر یک از آنها بدلیل محدودیت شرایط آزمایشگاهی می شود. شبکه های عصبی مصنوعی با شبیه سازی عملکرد مغز انسان، توانمندی شگرفی در بازیابی روابط ذاتی میان داده ها و شناسایی نگاشتهای درونی میان فضاهای داده ای دارند، لذا در این تحقیق سعی شده است با تبیین ویژگیهای نگاشتهای مستقل از مدل، روش جدیدی مبتنی بر شبکه های عصبی مصنوعی برای حل مساله ارائه گردد که در آن با آموزش شبکه ای از نوع توابع چند لایه پرسپترون (MLP) همراه با قانون یادگیری پس انتشار خطا، راهکاری برای تخمین حداکثر عمق آبشستگی تبیین شود. شبکه های عصبی مصنوعی برای تعمیم دقیق روابط میان داده ها، نیازمند آموزش با داده های با دامنه وسیع دارد. برای آموزش و آزمون شبکه از 480 سری داده استفاده شد و مجموعه داده ها شامل آبشکنهای دیواره قائم، پره ای و جداره شیبدار و تغییر سایر متغیرهای اثر گذار می باشد. مقایسه نتایج برآورد شبکه، قدرت بسیار خوب تخمین آن را نسبت به سایر روشهای تجربی نشان میدهد.

کلیدواژه ها:

آبشکن ، آبشستگی ، شبکه عصبی مصنوعی ، تابع چند لایه پرسپترون ، روابط تجربی