تخمین فشار و افت فشار در جریان های دوفازی آب و هوا با استفاده از سیستم عصبی-فازی تطبیقی و الگوریتم بهینه سازی ازدحام ذرات

جریان دوفازی در سازه های گوناگون از جمله سیستم های انتقال آب و خطوط لوله ی دریایی انتقال نفت و در سازه های هیدرولیکی از جمله سرریز های نیلوفری، شفت های قائم، کالورت ها و تون ها و مجاری بسته اتفاق می افتد. وقوع گردابه ها در سازه های هیدرولیکی باعث ورود هوا و تشکیل جریان دوفازی می شود. موضوع بسیار مهم در این نوع جریان ها طبیعت نوسانی و وابسته به زمان آن هاست که بر فشار و افت فشار تأثیر می گذارد. بنابراین پیش¬بینی فشار و افت فشار در جریان های دوفازی جهت طراحی بهینه و مناسب و جلوگیری از وقوع مشکلات ناخواسته در اثر ایجاد جریان های دوفازی امری ضروری است. علی رغم تمامی مطالعات انجام شده، اکثر تحقیقات پیشین در ارتباط با مجاری با قطر کم صورت گرفته است و در ارتباط با مجاری با اقطار بالا نظیر آن¬چه در مهندسی هیدرولیک به عنوان مجرای انتقال آب مورد نظر است، مطالعات بسیار اندکی وجود دارد. لذا در این تحقیق مدل هایی جامع جهت پیش بینی فشار و افت فشار در جریان های دوفازی آب و هوا با استفاده از شبکه های عصبی و سیستم عصبی-فازی تطبیقی (انفیس) ارائه می شود. امروزه استفاده از این مدل ها به دلیل قابلیت آن ها در پیش¬بینی رفتار توابع غیرخطی پیچیده مورد استقبال محققین در علوم مختلف قرار گرفته است. از آن جایی که مدل انفیس در مواجهه با فرآیند های پیچیده با تعداد پارامترهای زیاد، قوانین زیادی تولید می کند و حجم محاسبات را بیش تر می کند، استفاده از پیش پردازش خوشه بندی فازی کارآیی مدل انفیس را بیش تر و حجم محاسبات را کمتر می کند. در روش خوشه بندی فازی، داده های ورودی به دسته هایی مستقل تقسیم بندی شده و در نتیجه به ازای هر دسته یک قانون تشکیل می¬شود و در نتیجه تعداد قوانین بسیار کاهش می یابد. در این پژوهش روش خوشه بندی فازی مورد نظر، روش subclust است که در مورد مدل پیش¬بینی فشار متوسط استفاده شده است. استفاده از الگوریتم بهینه سازی ازدحام ذرات یکی دیگر از تکنیک های بهبود نتایج در این تحقیق است. رایج ترین الگوریتم برای آموزش شبکه های عصبی، الگوریتم استاندارد پس انتشار خطا است که بر اساس روش گرادیان کاهشی در بهینه سازی در برخورد با اولین بهینه ی محلی متوقف می شود. بنابراین در این پژوهش برای تنظیم وزن ها و بایاس های شبکه های عصبی از الگوریتم ازدحام ذرات استفاده شده است. در مدل های انفیس نیز در رابطه با تنظیم پارامترها الگوریتم ترکیبی ازدحام ذرات و حداقل مربعات که الگوریتم ترکیبی انفیس-pso نام دارد به کار رفته است. نتایج تحقیق در مورد ضریب افت فشار نشان می دهد که مدل های شبکه عصبی و عصبی فازی تطبیقی هر دو توانسته اند نسبت به روابط تجربی نتایج بهتری ارائه کنند و مدل های انفیس همراه با الگوریتم ازدحام ذرات در پیش بینی ضریب افت فشار نسبت به مدل های شبکه عصبی دقت بسیار بالاتری دارند. همچنین نتایج در مورد فشار متوسط نشان می دهد که نتایج حاصل از مدل های انفیس همراه با پیش پردازش خوشه بندی فازی و الگوریتم بهینه سازی ازدحام ذرات داری دقت بالاتری هستند.