مدل سازی هوشمند جریان غلیظ نمکی در حضور موانع نفوذپذیر

جریان غلیظ یکی از مهمترین عوامل در فرآیند رسوب گذاری سدها می باشد. افزایش رسوب در نزدیک دیواره سد، ظرفیت ذخیره سازی آن را کاهش داده و چالش های قابل ت وجهی را برای مهندسین مربوطه ایجاد می کند. بنابراین درک پویایی سیالات غلیظ و الگوهای رسوبی مرتبط جهت مدیریت مخزن سدها بسیار کارآمد است.

هدف از این تحقیق ایجاد یک مدل هوشمند با تطابق مناسب با داده های آزمایشگاهی بوده تا بتوان از آن در طرح های آتی با متغیرهای متفاوت نیز استفاده نمود. براین اساس در این تحقیق درصد کاهش هد جریان غلیظ نمکی تحت تاثیر موانع نفوذپذیر ذوزنقه ای شکل (سنگ دانه ها با قطر 1 سانتیمتر)، با در نظر گرفتن متغیرهایی همچون دبی، شیب، غلظت و ارتفاع موانع به صورت آزمایشگاهی مورد بررسی قرار گرفت، سپس براساس نتایج حاصله اقدام به مدل سازی هد جریان غلیظ نمکی با روش شبکه عصبی مصنوعی پیش خور و روش کلاسیک رگرسیون چند متغیره شد و کارکرد این دو روش مورد مقایسه قرار گرفت.

نتایج نشان داد که روش هوشمند شبکه عصبی مصنوعی پیش خور در مدل سازی درصد کاهش هد جریان غلیظ نمکی نسبت به روش رگسیون چند متغیره برتری قابل توجهی دارد به گونه ای که مقادیر رگسیون آموزش، واسنجی و تست به ترتیب 99/0، 0.98 و 98/0 برای شبکه عصبی و 92/0، 0.91 و 91/0 برای رگسیون چند متغیره بدست آمد.

عملکرد شبکه عصبی مصنوعی نسبت به روش رگسیون چند متغیره کارایی بسیار بهتری دارد.