کاربرد روش‌ برنامه‌ریزی بیان ژن در تعیین ضریب هوادهی دریچه تخلیه‌کننده تحتانی سدها

نوع مقاله: مقاله پژوهشی

نویسندگان

دانشگاه صنعتی شاهرود

چکیده

سابقه و هدف: استفاده از سدهای مخزنی، نقش مهمی را در توسعه صنعت، کشاورزی و اشتغال جوامع، بر عهده دارد. یکی از اجزای جانبی این سدها، تونل‌ تخلیه‌کننده تحتانی است که نقش مهمی را در تخلیه و کنترل سیلاب بر عهده دارد. این سازه‌، مشتمل بر یک مجرای ورودی، تونل اصلی انتقال و سازه‌های کنترل و تنظیم جریان، شامل دریچه‌ها و شیرها می‌باشد. بروز فشارهای منفی و پدیده کاویتاسیون از جمله مشکلاتی است که تخلیه‌کننده‌های تحتانی سدها در دبی‌های بالا با آن مواجه هستند. این پدیده سبب بروز مشکلاتی از جمله تخریب سطح سازه خواهد شد. یکی از متداول‌ترین روش‌های کاهش و حذف خطر وقوع کاویتاسیون، هوادهی جریان می‌باشد. در این راستا، میزان هوادهی و هواگیری جریان آب در سرریزها و پایین‌دست دریچه‌های تونل تخلیه‌کننده تحتانی سدها، یکی از مباحث مهم می‌باشد. با توجه به اهمیت موضوع، در پژوهش حاضر پیش‌بینی و برآورد ضریب هوادهی دریچه تخلیه-کننده تحتانی مورد بررسی قرار گرفت.
مواد و روش‌ها: در پژوهش حاضر، روش برنامه‌ریزی بیان ژن (GEP) جهت برآورد ضریب هوادهی دریچه تخلیه‌کننده تحتانی مورد استفاده قرار گرفت. برای آموزش و صحت‌سنجی مدل، از داده‌های آزمایشگاهی به‌دست آمده از مدل‌های فیزیکی و هیدرولیکی چهار سد البرز، ژاوه، گتوند علیا و جره، که در آزمایشگاه سازه‌های هیدرولیکی موسسه تحقیقات آب تهران ساخته‌شده، استفاده گردید. ضریب هوادهی تابعی از دو پارامتر عدد فرود جریان در محل فشردگی آن (Frc) و نسبت سطح مقطع هواده به سطح مقطع تونل در محل دریچه (Aa/Ag) در نظر گرفته‌شد. جهت اجرای مدل برنامه‌ریزی بیان ژن، 30 کروموزوم و 3 ژن انتخاب شد و توانایی این روش به‌کمک دو پارامتر آماری مانند ضریب هم‌بستگی (R2) و جذر میانگین مربعات خطا (RMSE) مورد ارزیابی قرار گرفت.
یافته‌ها: نتایج نشان داد که روش برنامه‌ریزی بیان ژن با ضرایب همبستگی 803/0 و 639/0و جذر میانگین مربعات خطا برابر با 096/0 و 125/0 به‌ترتیب در دو بخش آموزش و آزمون، ضریب هوادهی دریچه تخلیه‌کننده تحتانی را برآورد نمود. مدل مذکور در مقایسه با نتایج رابطه رگرسیونی با ضرایب همبستگی 718/0 و 402/0 و جذر میانگین مربعات خطا برابر با 114/0 و 171/0 در بخش‌های آموزش و آزمون نتایج بهتری را ارائه می‌نماید. به‌عبارتی، استفاده از روش برنامه‌ریزی بیان ژن موجب کاهش 28 درصدی خطای پیش‌بینی ضریب هوادهی دریچه تخلیه‌کننده تحتانی سدها شده‌است.
نتیجه‌گیری: نتایج به‌دست آمده از این پژوهش نشان داد مدل هوشمند برنامه‌ریزی بیان ژن، به‌خوبی توانسته است ضریب هوادهی دریچه‌های تخلیه‌کننده تحتانی سدها را پیش‌بینی کند و استفاده از آن موجب بهبود نتایج پیش‌بینی در مقایسه با روش‌های مرسوم مدل‌های رگرسیونی شود. به‌عبارتی، نتایج به‌دست آمده، موید توانایی روش برنامه‌ریزی بیان ژن در تعیین ضریب هوادهی دریچه‌های تخلیه‌کننده تحتانی سدها، و در نتیجه برآورد صحیح این پارامتر، به‌منظور جلوگیری از وقوع پدیده کاویتاسیون می‌باشد. بنابراین استفاده از این روش در مسایل مرتبط با موضوع پژوهش پیشنهاد می‌شود.

کلیدواژه‌ها


عنوان مقاله [English]

Application of Gene Expression Programming Approach to Estimate the Aeration Coefficient of Bottom Outlet Gates of Dams

نویسنده [English]

  • samad Emamgholizadeh
Shahrood uni
چکیده [English]

Abstract
Background and objectives: The use of storage dams plays a key role in the development of industry, agriculture and employment communities Bottom outlet tunnels are one of the most significant components of the reservoir dams which are used in flood evacuation and control. They consist of inlet duct, main conveyance tunnel and flow regulator structures including gates and valves. A major problem with bottom outlet gate of dams is cavitation which happens in the high flow discharge. This phenomenon would destroy the surface of structure. It has been demonstrated that flow aeration is an effective way to reduce the cavitation damages. In this regard, the flow aeration rate is an important discussion that must be noted. Since, in this paper aeration coefficient evaluation is assessed.
Materials and methods: This study, is to estimate the aeration coefficient of bottom outlet gate of four dams (Alborz, Zhaveh, Gotvand Olia, Jareh) using Gene Expression Programming (GEP) approach. To achieve this aim, experimental data were used collecting from hydraulic structures laboratory of Tehran Water Research Institute to train and test the model. The aeration coefficient was influenced by compressed Froude number (Frc) and aerator area to gate area ratio (Aa/Ag). 30 chromosomes and 3 genes were chosen to GEP performance. The model ability was assessed by two statistical parameters of correlation coefficient (R2) and root of mean square error (RMSE).
Results: The results show that GEP predicted the aeration coefficient of bottom outlet gates of dams with R2 of 0.803 and 0.639 and RMSE of 0.096 and 0.125 for training and testing stages, respectively. This model gave better results compared by regression equation with R2 of 0.718 and 0.402 and RMSE of 0.114 and 0.171 for training and testing parts, respectively. In the other words, the error of aeration coefficient prediction was decreased about 28% using GEP approach.
Conclusion: The results show that GEP intelligence approach is an adequate model to predict aeration coefficient of bottom outlet gates of dams. Also, the results of traditional regression equations were improved using this method. In the other words, these results indicated that GEP is reliable to evaluate the aeration coefficient of bottom outlet gates of dams by more accurate estimation to prevent cavitation phenomenon. So, use of this way is suggested in future studies related to this topic.


Conclusion: The results show that GEP intelligence approach is an adequate model to predict aeration coefficient of bottom outlet gates of dams. Also, the results of traditional regression equations were improved using this method. In the other words, these results indicated that GEP is reliable to evaluate the aeration coefficient of bottom outlet gates of dams by more accurate estimation to prevent cavitation phenomenon. So, use of this way is suggested in future studies related to this topic.

کلیدواژه‌ها [English]

  • aeration coefficient
  • Gene expression programming
  • Cavitation
  • bottom outlet gate
1.Chanson, H. 1995. Predicting oxygen content downstream of weirs, spillways and waterways.
Proc. Inst. Civil Eng-Water Maritime Energy. 112: 1. 20-30.
2.Emamgholizadeh, S., Bateni, S.M., Shahsavani, D., Ashrafi, T., and Ghorbani, H. 2015.
Estimation of soil cation exchange capacity using Genetic Expression Programming (GEP)
and Multivariate Adaptive Regression Splines (MARS). J. Hydrol. 529: 1590-1600.
3.Ferreira, C. 2001. Gene expression programming: a new adaptive algorithm for solving
problems. J. Complex Syst. 13: 2. 87-129.
4.Jian-hua, W., and Chao, L. 2011. Effects of entrained air manner on cavitation damage. J.
Hydrodyn. 23: 3. 333-338.
5.Kavianpour, M.R. 1997. The Reattaching Flow Downstream of Deflectors Including the
Effect of Air Injection. A thesis submitted to the University of Manchester Institute of
Science and Technology for the degree of PHD. Manchester, UK.
6.Kisi, O., Hosseinzadeh Dalir, A., Cimen, M., and Shiri, J. 2012. Suspended sediment modeling
using genetic programing and soft computing techniques. J. Hydrol. 450-451: 48-58.
7.Ozkan F., and Kaya T. 2010. Using intelligence methods to predict air-demand ratio in venturi
weirs. Advances in Engineering Software. 41: 1073-1079.
8.Peterka, A.J. 1953. The effect of entrained air on cavitation pitting. In: Proc. IAHR Minnesota
conference, Minnesota, USA, Pp: 507-518.
9.Sutopo, Y., Wignyosukarto, B.S., Yulistyanto, B., and Istiarto. 2015. Self and artificial air
entrainment in steep channel. Procedia Engineering. 125: 158-165.
10.Zahiri, A., Dehghani, A.A., and Azamathulla, H.Md. 2015. Application of Gene-Expression
Programming in Hydraulic Engineering. Chapter Handbook of Genetic Programming
Applications. Pp: 71-97.
11.Zhi-yong, D., and Pei-lan, S. 2006. Cavitation control by aeration and its compressible
characteristics. J. Hydrodyn. 18: 4. 499-504.