علی طاهری اقدم - دانشجوی دکتری سازه های آبی، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
بهرام نورانی - دانشجوی دکتری سازه های آبی، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
هادی ارونقی - دانشیار/ گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز،
فرزین سلماسی - استاد/ گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز

سرریز­های اوجی بهتر است به­ گونه­ای طراحی شوند که پرش هیدرولیکی در پای سرریز تشکیل گردد و با این عمل از فرسایش و تخریب پایین­دست یا بدنه سرریز در حالت پرش مستغرق و آزاد جلوگیری به عمل آید، برای نیل به این هدف می­توان از آبشاری در پای سرریز استفاده نمود. در این تحقیق، هدف، ارائه رابطه­ای­ مستقیم برای محاسبه ارتفاع آبشار می­باشد که در نهایت یک رابطه رگرسیونی چندگانه (MR) غیرخطی پیشنهاد گردید که می­تواند بدون نیاز به روش غیرمستقیم و استفاده از منحنی با کمترین محاسبات ارتفاع آبشار را برآورد نماید. به علاوه عملکرد مدل­های هوشمند شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) نیز در تخمین ارتفاع آبشار مورد بررسی قرار گرفت و سپس نتایج آن­ها با رابطه رگرسیونی چندگانه (MR) توسط معیارهای آماری مورد مقایسه قرار گرفت و مشاهده گردید که روش ANN بهتر از روش SVM می­تواند ارتفاع آبشار را برآورد نماید. ارزیابی نتایج با استفاده از معیارهای آماری شامل ضریب تبیین (R۲)، درصد خطای نسبی (RE%) و جذر میانگین مربعات خطا (RMSE) انجام شد. مقادیر معیارهای آماریR۲، RE% و RMSE برای مدل MR و برای شرایطی که عدد فرود قبل از پرش هیدرولیکی (Fr۱) در محدوده ۵/۱۵>Fr۱>۵/۴ باشد، به ترتیب ۹۹۹/۰، ۵۳۹/۰، ۰۱۸۶/۰ ، و برای مدل ANN در محدوده فوق­الذکر به ترتیب ۹۹۹/۰ ، ۳۹۴/۰ و ۰۰۰۳۵/۰ به دست آمد. همچنین در شرایطی که عدد فرود قبل از پرش هیدرولیکی (Fr۱) در محدوده ۵/۴>Fr۱>۵/۲ باشد، مقدار معیارهای آماری اشاره شده در بالا، برای مدل MR  به ترتیب ۹۹۹/۰، ۲۴۰/۰، ۰۱۲۸/۰ و همچنین برای  مدل ANN  به ترتیب ۹۹۹/۰ ، ۰۲۲/۰ و ۰۰۱۴/۰ به دست آمد. معیارهای آماری نشان از برتری دو مدل MR و ANN  نسبت به مدل SVM در برآورد ارتفاع آبشار برای عدد فرود کمتر و بیشتر از ۵/۴ را دارد.

آبشار, پرش هیدرولیکی, سرریز اوجی, مدل هوشمند, مدل رگرسیونی چندگانه