ارزیابی عمق استغراق بحرانی در آبگیرهای افقی منشعب از کانال

سابقه و هدف استفاده از آبگیرهای افقی یکی از روش های رایج در برداشت آب از مخازن و رودخانه ها می باشد. وقوع جریان گردابی در دهانه های آبگیر یکی از مشکلات عمده این نوع سازه ها است. گرداب تشکیل شده در دهانه آبگیر در مرحله اول منجر به کاهش راندمان آبگیری شده و در مرحله دوم بسته به نوع سازه، هوای ورودی به دهانه آبگیر می تواند منجر به بروز خسارت به آن شود. بنابراین تخمین عمق استغراق بحرانی بالای آبگیر به منظور جلوگیری از تشکیل گرداب و ورود هوا به آن از ضروریت های اصلی تحقیق بشمار می رود. مطالعه تحقیقات پیشین نشان داد که در اکثر روابط پیشنهادی توسط محققین اثر فاصله از کف کانال C در معادلات لحاظ نشده و معادلات تنها در دو حالت و به صورت دو معادله مجزا ارائه شده اند. مواد و روش ها در این تحقیق نتایج یک مطالعه آزمایشگاهی جهت بررسی اثر پارامترهای مختلف جریان و فاصله آبگیر از کف کانال بر عمق استغراق بحرانی برای آبگیرهای افقی در شرایط جریان آزاد ارائه شده است. در این راستا نخست معادله حاکم بر فضای تحقیق با استفاده از تئوری باکینگهام و رگرسیون غیر خطی تعیین گردید و در مرحله بعد جهت تدقیق نتایج از مدل های شبکه عصبی و برنامه سازی ژنتیک استفاده شد. بدین منظور در ابتدا با استفاده از تئوری آنالیز ابعادی معادله حاکم بر فضای تحقیق به صورت مشخص شد. سپس با استفاده از رگرسیون غیرخطی و نرم افزار تحلیل گر آماری SPSS معادله حاکم بر فضای تحقیق تعیین شد. تحلیل نتایج آماری نشان داد که معادله پیشنهادی جهت تخمین عمق نسبی استغراق بحرانیSc/Di در مقایسه با نتایج آزمایشگاهی دارای ضریب همبستگی 9363/0 و دارای مجذور میانگین مربعات خطای 3165/0 می باشد. به منظور اعتبارسنجی این معادله از نتایج حاصل از تحقیقات احمد و میتال (2008) و ایوب لو و همکاران (2011) استفاده گردید. یافته ها مقایسه نتایج نشان داد، معادله حاصل از مطالعه احمد و میتال مقدار عمق استغراق بحرانی را 8 درصد بیشتر از نتایج آزمایشگاهی، معادله پیشنهادی ایوب لو و همکاران 5/6 درصد کمتر از نتایج آزمایشگاهی و در نهایت معادله پیشنهادی تحقیق حاضر، این مقدار را 5/0 درصد بیشتر از نتایج آزمایشگاهی تخمین می زند. از طرفی مدل شبکه عصبی مصنوعی مقدار Sc/Di را 1/1 درصد کمتر از نتایج آزمایشگاهی و مدل برنامه سازی ژنتیک این مقدار را 63/1 درصد بیشتر از نتایج آزمایشگاهی تخمین می زند. نتیجه گیری مقایسه نتایج حاصل از مدل های شبکه عصبی و برنامه سازی ژنتیک نشان داد که هر دو مدل دارای توابع خطای مناسب تری نسبت به معادله پیشنهادی هستند؛ این در حالی است که مقایسه توابع خطای محاسبه شده این دو روش هوشمند حاکی از برتری نسبی عمل کرد شبکه عصبی مصنوعی می باشد. از طرفی به دلیل فرم ساده و کارآمد معادله پیشنهادی، استفاده از این معادله جهت تخمین عمق نسبی استغراق بحرانی در دهانه های آبگیر افقی در شرایط جریان آزاد توصیه می گردد.

کلیدواژه ها:

واژه های کلیدی: عمق استغراق ، رگرسیون غیر خطی ، شبکه عصبی ، برنامه سازی ژنتیک