بررسی عملکرد شبکه های عصبی مصنوعی در برآورد بیشترین ژرفای آبشستگی پیرامون آبشکن ها

یکی از عوامل اصلی ویرانی آبشکن ها آبشستگی می باشد که فرآیندی بسیار پیچیده است. پیچیدگی الگوی جریان پیرامون آبشکنها و گوناگونی عوامل موثر بر آبشستگی، موجب پرشماری روابط تجربی و کاهش دامنه ی هر یک از آنها، به دلیل محدودیت شرایط آزمایشگاهی می شود. در این تحقیق امکان استفاده از شبکه های پرسپترون چندلایه(MLP) برای برآورد بیشترین ژرفای آبشستگی پیرامون سه نوع آبشکن شامل آبشکنهایی با دیواره ی عمودی، بالدار و نیم دایره ای مورد مطالعه قرار گرفتند. دستاوردهای شبیه شبکه عصبی مصنوعی با نتایج به دست آمده از رابطه ی تجربی پیشنهادی به وسیله ی باربهیوا و دی(2004) مقایسه گردیدند. هشت نمایشنامه بر اساس فراسنجهای موثر و شبکه های با ورودی های مختلف برای پیش بینی ژرفای آبشستگی تعریف شدند. مقایسه ی نتایج نمایشنامه های مختلف نشان دادند که نمایشنامه ای که تنها از دو فراسنج و برای برآورد ژرفای آبشستگی در پیرامون آبشکن استفاده می کند، از عملکرد بهتری برخوردار است. همچنین، نتایج تحلیل حساسیت نشان دادند که فراسنجهای و بیشترین تاثیر را در پیش بینی ژرفای آبشستگی آبشکن دارند. مقایسه نتایج شبیه شبکه های عصبی و مقادیر محاسبه شده از رابطه ی تجربی با داده های آزمایشگاهی نشان دادند که مقادیر بیشترین ژرفای آبشستگی به دست آمده از روش شبکه های عصبی مصنوعی از دقت بیشتری نسبت به رابطه-ی تجربی برخوردارند. همچنین، دقت شبکه های عصبی مصنوعی در برآورد ژرفای آبشستگی پیرامون آبشکنهای با دیواره ی عمودی در مقایسه با دو نوع آبشکن دیگر بیشتر است.