نشان دهد.

هر چند تحقیقات بسیاری در خصوص نقش پارامتر زمان در فرایند تشكیل حفره آبشستگی صورت گرفته، ولی در خصوص چگونگی تأثیر آن و اینكه تا چه حد در این فرایند مؤثر است، تا كنون نتایج قابل توجهی حاصل نشده است. در این تحقیق پارامترهای موثر بر ابعاد حفره آبشستگی در دو بخش كلی بررسی شده و جهت برآورد شبكه عصبی مناسبی برای ایجاد رابطه غیر خطی كه ابعاد آبشستگی را بر اساس پارامترهای مختلف هیدرولیكی ارائه شده است. برای ایجاد رابطه مناسب و طراحی شبكه عصبی از روش FF با الگوریتم آموزش BP استفاده شده است. بخش اول ، پارامترها به صورت بعد دار و بی بعد در شبكه عصبی در محیط MATLAB مدل شده است. در حالت بی بعد روابط ارائه شده توسط شبكه عصبی با روابط مدل رگرسیونی بدست آمده، مقایسه گردید. در بخش بعدی روابط در دو حالت خاص (پارامترهای رابطه DOT و رابطه اصلاحی DOT توسط مهدوی زاده) ارئه گردید.

نتایج نشان می دهد كه رابطه مناسبی بین شبكه ترسیم شده و اطلاعات آزمایشگاهی برآورد شده وجود داشته و شبكه ارائه شده با تعداد نرونهای بالاتر در لایه پنهان در مرحله آموزش دارای دقتی در حدود 8-10 می باشد . مدلهای بی بعد دارای دقت بالاتری نسبت به مدل بعد دار هستند. همچنین مقایسه ای كه بین روابط

مدل شده با شبكه عصبی و روابط مدل شده با رگرسیون غیر خطی صورت گرفت، دیده شد كه شبكه عصبی از دقت قابل ملاحظه ای نسبت به مدل های تجربی رایج برخوردار است. همچنین مقایسه ای بین پارامترهای رابطه DOT و DOT اصلاح شده توسط مهدوی زاده صورت گرفت كه به مراتب دقت در پارامترهای اصلاح شده بیشتر است. به طور كلی، بین تمام حالتهای مدل شده در شبكه عصبی، DOT اصلاحی دارای خطای كمتر و درجه همبستگی بیشتری می باشد.

در ادامه به بررسی اهمیت هر كدام از پارامترهای ورودی پرداخته شد. با حذف هر كدام از پارامترهای ورودی اثر هر كدام بر ابعاد حفره آبشستگی بررسی شده و در نهایت رابطه بدست آمده توسط شبكه عصبی ارائه گردیده است.

مقدمه

آبشستگی هرچند سابقه طولانی در علم هیدرولیك دارد ولی به علت دامنه وسیع متغیرها و گستردگی پارامتر های موثر بر آن و شرایط گوناگون كه در این پدیده وجود دارد ،