کاربرد شبکه عصبی در بهینه‌سازی هوادهی تخلیه‌کننده‌های خروجی

در این مقاله به بررسی هوادهی در مجاری بسته پرداخته شده است.  با توجه به عدم وجود روابط همخوان برای پیش‌بینی و محاسبه بهینه دبی هوای ورودی و به دلیل تاثیرگذاری پارامترهایی مختلف همچون آشفتگی،  هندسه مجرا قبل و بعد از دریچه و شرایط هیدرولیکی بر میزان هوا گیری، با استفاده از اطلاعات بدست آمده از مدل‌های فیزیکی موجود به آموزش شبکه عصبی مصنوعی به عنوان ابزاری مناسب در جهت محاسبه بهینه هوای ورودی پرداخته شود.  شبکه عصبی مصنوعی با ویژگی یادگیری یا نگاشت پذیری بر اساس ارائه داده‌های تجربی به همراه قدرت و توانایی تعمیم پذیری و ساختار پذیری موازی برای سیستم‌های پیچیده که مدل‌سازی آنها به سختی انجام می‌شود مناسب می‌باشد.  از آنجا که در میان الگوریتم‌های معمول آموزش شبکه، الگوریتم پس انتشار خطا Back Propagation با فراهم آوردن روش محاسباتی کارا، به عنوان بیشترین کاربرد در مسائل فنی- مهندسی شناخته شده و استفاده از آن به کمک توابع تبدیل غیر خطی از طریق آموزش پارامترهای شبکه در راستای بهینه سازی شاخص اجرایی به عنوان معمول‌ترین راه حل در مسائل پیچیده مهندسی با پارامترهای متعدد شناخته شده است، لذا در مقاله حاضر از روش فوق جهت طراحی شبکه استفاده شده است. اطلاعات آزمایشگاهی از موسسه تحقیقات آب ایران و بر اساس مدل‌های هیدرولیکی تخلیه کننده‌های تحتانی سدهای در دست ساخت بدست آمد.  این اطلاعات شامل تخلیه کننده‌های تحتانی دشت عباس، مدل اولیه و مدل اصلاح شده تخلیه‌کننده سد جگین و تخلیه‌کننده سدهای جره، کرخه، البرز و کوثر می‌باشد. در این ارتباط سعی گردید تا جهت افزایش اطلاعات با انجام آزمایش‌های تکمیلی و اضافی نیاز اساسی این پژوهش مرتفع گردد. آزمایش‌های تکمیلی انجام گرفته بر روی مدل تخلیه کننده‌های سد جگین (مدل اصلاح شده)، البرز و دشت عباس توسط این محققان صورت پذیرفته است. همچنین اطلاعات مربوط به تخلیه‌کننده‌ ‌تحتانی سد فولسوم در آمریکا نیز از منابع خارجی کسب و مورد استفاده قرار گرفت بر اساس نتایج بدست آمده نشان داده شد که شبکه عصبی مورد استفاده توانائی بسیار قابل قبولی جهت پیش‌بینی و تخمین میزان هوای مورد نیاز بعد از دریچه داشته است.