Estimation of waterfall height in the downstream of ogee spillways to hydraulic jump control

Abstract

چکیده سرریز­های اوجی بهتر است به­ گونه­ای طراحی شوند که پرش هیدرولیکی در پای سرریز تشکیل گردد و با این عمل از فرسایش و تخریب پایین­دست یا بدنه سرریز در حالت پرش مستغرق و آزاد جلوگیری به عمل آید، برای نیل به این هدف می­توان از آبشاری در پای سرریز استفاده نمود. در این تحقیق، هدف، ارائه رابطه­ای­ مستقیم برای محاسبه ارتفاع آبشار می­باشد که در نهایت یک رابطه رگرسیونی چندگانه (MR) غیرخطی پیشنهاد گردید که می­تواند بدون نیاز به روش غیرمستقیم و استفاده از منحنی با کمترین محاسبات ارتفاع آبشار را برآورد نماید. به علاوه عملکرد مدل­های هوشمند شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) نیز در تخمین ارتفاع آبشار مورد بررسی قرار گرفت و سپس نتایج آن­ها با رابطه رگرسیونی چندگانه (MR) توسط معیارهای آماری مورد مقایسه قرار گرفت و مشاهده گردید که روش ANN بهتر از روش SVM می­تواند ارتفاع آبشار را برآورد نماید. ارزیابی نتایج با استفاده از معیارهای آماری شامل ضریب تبیین (R2)، درصد خطای نسبی (RE%) و جذر میانگین مربعات خطا (RMSE) انجام شد. مقادیر معیارهای آماریR2، RE% و RMSE برای مدل MR و برای شرایطی که عدد فرود قبل از پرش هیدرولیکی (Fr1) در محدوده 5/15>Fr1>5/4 باشد، به ترتیب 999/0، 539/0، 0186/0 ، و برای مدل ANN در محدوده فوق­الذکر به ترتیب 999/0 ، 394/0 و 00035/0 به دست آمد. همچنین در شرایطی که عدد فرود قبل از پرش هیدرولیکی (Fr1) در محدوده 5/4>Fr1>5/2 باشد، مقدار معیارهای آماری اشاره شده در بالا، برای مدل MR به ترتیب 999/0، 240/0، 0128/0 و همچنین برای مدل ANN به ترتیب 999/0 ، 022/0 و 0014/0 به دست آمد. معیارهای آماری نشان از برتری دو مدل MR و ANN نسبت به مدل SVM در برآورد ارتفاع آبشار برای عدد فرود کمتر و بیشتر از 5/4 را دارد.