کامران محمدی - استادیار گروه برنامه ریزی و نظارت پژوهشی، دانشگاه رازی، کرمانشاه، ایران.

الگوریتم های هوشمند توانایی مهندسان در تحلیل و مدل سازی پدیده های هیدرولیکی پیچیده را به مقدار بسیار زیادی افزایش داده اند. از آن جمله، تحلیل جریان های میرا می باشد که بخش مهمی از هیدرولیک مجاری تحت فشار را به خود اختصاص می دهند. با گذشت زمان، خطوط لوله دچار نشت می گردد. از سویی یکی از مهمترین خصوصیات جریان های میرا، میزان افت در نوسانات فشاری می باشد که با وجود نشت از جداره لوله تشدید خواهد شد. در این تحقیق سعی بر آن است تا با استفاده از الگوریتم های هوشمند نظیر شبکه عصبی مصنوعی (ANN)، الگوریتم ژنتیک (GA) و برنامه ریزی بیان ژن (GP)، میزان افت امواج فشاری عبوری از روزنه نشت در جدار لوله (HLPW) تعیین و کاربرد آن با تحلیل هیدرولیکی مقایسه گردد. بنابراین ابتدا به کمک آنالیز ابعادی، پارامترهای موثر بر (HLPW) مشخص و سپس در مجموع تعداد ۱۲۰ آزمایش با ۶ دبی، ۵ قطر نشت و ۴ محل نشت که بر روی لوله پلی اتیلن به قطر نامی ۶۳ میلیمتر و به طول ۴۷ متر به انجام رسیده بود برای انجام تحقیق انتخاب شد. نتایج نشان داد مدل ANN بهترین عملکرد را در بین الگوریتم های هوشمند برای تخمین و محاسبه (HLPW) دارد. همچنین، به ترتیب مدل های ANN، GEP، ITA و GA با ۲R برابر ۹۸۷/۰، ۹۰۵/۰، ۸۹۱/۰ و ۷۲۱/۰ دارای بهترین عملکرد در تخمین (HLPW) می باشند. به صورت کلی برخی الگوریتم های هوشمند در تخمین پارامتر (HLPW) از تحلیل گر هیدرولیکی موجود توانمندتر بوده و لذا استفاده از آنها هم به لحاظ کاهش زمان و هم از جهت افزایش دقت محاسبات توصیه می گردد.

شبکه عصبی مصنوعی, الگوریتم ژنتیک, برنامه ریزی بیان ژن, افت نوسانات فشاری, نشت