پیش‌بینی انتقال رسوب در کانالهای فاضلاب رو با استفاده از روش ترکیبی سیستمهای فازی عصبی تطبیقی و الگوریتم ژنتیک

مهندسی عمران فردوسی

مقاله 3، دوره 32، شماره 4 - شماره پیاپی 28، آبان 1398، صفحه 31-44   

نوع مقاله: پژوهشی

شناسه دیجیتال (DOI): 10.22067/civil.v32i4.72720

نویسندگان

فریبرز یوسفوند¹؛ سعید شعبانلو^{* 2}؛ احمد رجبی³

¹ازاد واحد کرمانشاه

²دانشگاه ازاد واحد کرمانشاه

³دانشگاه آزاد واحد کرمانشاه

چکیده

در مطالعۀ حاضر به‌وسیله یک مدل ترکیبی نحوۀ انتقال رسوبات درون مجاری فاضلاب‌رو مدل‌سازی می‌شود. به‌بیان‌دیگر، توسّط سیستم استنباط فازی عصبی تطبیقی و الگوریتم ژنتیک یک الگوریتم ترکیبی(ANFIS-GA) برای تخمین عدد فرود جریان سه­فازی (هوا، آب و رسوب) ارائه داده می‌شود. در این مطالعه، از الگوریتم ژنتیک برای افزایش کارایی سیستم استنباط فازی عصبی تطبیقی با تنظیم توابع عضویّت و سپس به حداقل رساندن مقادیر خطا استفاده گردیده است. الگوریتم ژنتیک (GA) یک روش فرا ابتکاری با الهام از فرایند انتخاب طبیعی است که متعلق به طبقه‌بندی گسترده‌تری از الگوریتم‌های تکاملی (EA) است. سپس با استفاده از مقادیر ورودی، 127 مدل ترکیبی ANFIS-GA معرفی گردید. همچنین مقادیر درصد میانگین مطلق خطا و خطای جذر میانگین مربعات برای مدل برتر به ترتیب مساوی 529/5 و 315/0 به دست آمد.

کلیدواژه‌ها

رسوب؛ کانال دایروی؛ انفیس؛ الگوریتم ژنتیک؛ مدل ترکیبی

سایر فایل های مرتبط با مقاله

3-shabanlo - Revised-R1.pdf

مراجع

1. Kelly W. E., Gularte R. C., "Erosion Resistance of Cohesive Soils", Journal of Hydr. Eng. Vol. 107, pp. 1211-1214 (1981).

2. Raudkivi A. J., Tan S. K., "Erosion of Cohesive Soils", Journal of Hydr. Research. Vol. 22, No. 4, pp. 217-233, (1984).

3. Crabtree R. W., "A Classification of Combined Sewer Sediment Types and Characteristics", WRc, Swindon, (1988).

4. Alvarez E. M., "The influence of cohesion on sediment movement in channels of circular cross-section", University of Newcastle upon Tyne, England, Ph.D. Thesis, (1990).

5. Azamathulla H., Ab Ghani A., Fei S. Y., "ANFIS – based approach for predicting sediment transport in clean sewer", Journal of Applied sift computing. Vol. 12, No. 3, pp. 1227-1230, (2012).

6. Ab. Ghani A., "Sediment Transport in Sewers", University of Newcastle Upon Tyne, UK, Ph. D. Thesis, (1993).

7. Vongvisessomjai N., Tingsanchali T. Babel M. S., "Non-deposition design criteria for sewers with part-full flow", Journal of Urban Water. Vol. 7, No. 1, pp. 61–77, (2010).

8. Ota J. J., Perrusquia G. S., "Particle velocity and sediment transport at the limit of deposition in sewers", Journal of Water Science and Technology, Vol. 67, No. 5, pp. 959–967, (2013).

9. Shamseldin A.Y., "Application of a neural network technique to rainfall–runoff modelling", Journal of Hydrology, Vol. 199, pp. 272-294, (1997).

10. Giustolisi O., Laucelli D., "Improving generalization of artificial neural networks in rainfall–runoff modeling", Hydrological Sciences Journal, Vol. 50, No. 3, pp. 439-457, (2005).

11. Jain S. K., Das, D., Srivastava D. K., "Application of ANN for reservoir inflow prediction and operation", Journal of Water Resources Planning and Management, Vol. 125, No. 5, pp. 263-271, (1999).

12. Bae D.H., Jeong D.M., Kim G., "Monthly dam inflow forecasts using weather forecasting information and neuro-fuzzy technique", Hydrological Sciences Journal, Vol. 52, No. 1, pp.99-113, (2007).

13. Kisi O., "Suspended sediment estimation using neuro-fuzzy and neural network approaches", Hydrological Sciences Journal, Vol. 50, No. 4, pp. 683-696, (2005).

14. Ebtehaj I., Bonakdari H., "Performance evaluation of adaptive neural fuzzy inference system for sediment transport in sewers", Water Resources Management, Vol. 28, No. 13, pp. 4765-4779, (2014).

15. Ota J.J., Nalluri C., "Graded sediment transport at limit deposition in clean pipe channel", 28th International Association for Hydro-Environment Engineering and Research, Graz, Austria, (1999).