پیش بینی ضریب دبی در سرریز لبه پهن و لبه تیز با بهره گیری از سامانه استنتاج فازی و فازی –عصبی تطبیقی

نوع مقاله: یادداشت فنی (5 صفحه)

نویسندگان

1 دانشجوی کارشناسی ارشد/ سازه های آبی، پردیس ابوریحان، دانشگاه تهران

2 دانشیار/ موسسه تحقیقات فنی ومهندسی کشاورزی ، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران

3 استادیار/ گروه مهندسی آب دانشگاه تبریز

چکیده

سرریزهای لبه‌تیز و لبه‌پهن از متداول‌ترین ابزارها برای اندازه‌گیری جریان در شبکه‌های آبیاری و زهکشی به شمار می‌روند. با توجه به اهمیت محاسبه دقیق مقدار دبی عبوری از روی این سرریزها و نیل به اهداف توزیع عادلانه آب، برآورد صحیح ضریب دبی، بسیار مهم است. در این پژوهش با انجام مطالعات آزمایشگاهی و تحلیلی، کاربرد دو مدل سامانه استنتاج فازی، مدل فازی - عصبی تطبیقی در برآورد ضریب دبی سرریزهای لبه تیز و لبه پهن مستطیلی بررسی شد. بدین منظور ابتدا با استفاده از یک فلوم ازمایشگاهی ،آزمایش‌ها بر روی سرریزها انجام شد. سپس توانایی مدل‌های سامانه استنتاج فازی و فازی –عصبی تطبیقی بهینه شده با الگوریتم تکرار شونده در پیش‌بینی ضریب دبی بر اساس نتایج حاصل از این بررسی‌ها مشخص گردید. با توجه به تحلیل های آماری انجام شده، مدل هوشمند استنتاج فازی-عصبی به علت دارا بودن کمترین خطا با RMSE=0.042 و R^2=0.96 برای برآورد ضریب دبی سرریز لبه تیز و با RMSE=0.044و 〖 R〗^2=0.95 برای ضریب دبی در سرریز لبه پهن به عنوان مناسب‌ترین روش جهت برآورد ضریب دبی سرریزهای لبه تیز و لبه‌پهن معرفی شد.

کلیدواژه‌ها


عنوان مقاله [English]

Prediction of Board Crested Weir and Sharp Crested Weir Discharge Coefficient by Fuzzy Inference System and Neural Fuzzy Inference System

نویسندگان [English]

  • Y Mehri 1
  • N Abbasi 2
  • H Arvanaghi 3
1 Msc. Student, Abboreyhan Campus, university of Tehran , Tehran, Iran
2 Associate Professor, Agricultural Engineering Research Institute, Agricultural Research, Education and Extension Organization (AREEO), Karaj, Iran
3 Assistant professor, water Engineering Department, Tabriz University
چکیده [English]

Sharp and board crested weirs are the most commonly used tools for measuring of flow in irrigation and drainage networks. Considering the importance of exact calculation of discharge, estimating of discharge coefficient of the weirs in order to the justly distribution of water and accuracy is so essential and important. In this research, application and the reliability of two intelligent models including; fuzzy inference system, ANFIS models for estimation of the rectangular sharp-crested weir and board crest weir discharge coefficient was studied. For this purpose, a laboratory flume was used for determination of flow velocity and flow rate over different weirs. Then analytical evaluation were made by using of three mentioned optimization models for determination of sharp-crested weir and board crest weir discharge coefficient. Statistical analysis of the results showed that ANFIS model with the least amount of RMSE and R^2 is the most reliable method in comparison to the others.

کلیدواژه‌ها [English]

  • Intelligent Techniques
  • Physical Model
  • ANFIS
  • Fuzzy logic
Aydin I, Altan-Sakarya A, Sisman C (2011) Discharge formula for rectangular sharp-crested weirs. Journal of Flow Measurement and Instrumentation, 22(2): 144-151

Boiten W (2002) Flow measurement structures. Journal of Flow Measurement and Instrumentation, 13(5): 203-207

Dursun O, Kaya N, Firat M (2012) Estimating discharge coefficient of semi-elliptical side weir using ANFIS. Journal of Hydrology, 426:55-62

Kisi O, Haktanir T , Ardiclioglu M, Ozturk O, Yalcin  E, Uludag S (2009) Adaptive neuro-fuzzy computing technique for suspended sediment estimation. Advances in Engineering Software, 40(6):438-444

Hager W, Schwalt M (1994) Broad-crested weir. Journal of irrigation and drainage engineering, 120(1):13-26

Jang J, Sun C, Mizutani E (1997) Neuro-fuzzy and soft computing. Journal of a computational approach to learning and machine intelligence, 42(10):1482-1484

Kisi O, Haktanir T, Ardiclioglu M, Ozturk O, Yalcin E, Uludag S (2009) Adaptive neuro-fuzzy computing technique for suspended sediment estimation. Advances in Engineering Software, 40(6):438-444

Parsaie A (2016) Predictive modeling the side weir discharge coefficient using neural network. Journal of Modeling Earth Systems and Environment, 2(2): 1-11

Salmasi F, Yıldırım G, Masoodi A, Parsamehr P (2013) Predicting discharge coefficient of compound broad-crested weir by using genetic progra