مهدی درخشان نیا - دانشجوی دکتری، گروه مهندسی عمران، واحد نجف آباد، دانشگاه آزاد اسلامی نجف آباد، نجف آباد، ایران.
مهدی قمشی - استاد، گروه سازه های آبی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران.
سید سعید اسلامیان - استاد، گروه مهندسی عمران، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران. و گروه مهندسی آب، دانشکده کشاورزی، دانشگاه صنعتی اصفهان، اصفهان، ایران .
سید محمود کاشفی پور - استاد، گروه سازه های آبی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران.

چکیدهمقدمه : جریان­ غلیظ یکی از مهمترین عوامل در فرآیند رسوب­گذاری سدها می­باشد. افزایش رسوب در نزدیک دیواره سد، ظرفیت ذخیره ­سازی آن را کاهش داده و چالش ­های قابل­ت وجهی را برای مهندسین مربوطه ایجاد می­کند. بنابراین درک پویایی سیالات غلیظ و الگوهای رسوبی مرتبط جهت مدیریت مخزن سدها بسیار کارآمد است.روش : هدف از این تحقیق ایجاد یک مدل هوشمند با تطابق مناسب با داده ­های آزمایشگاهی بوده تا بتوان از آن در طرح­ های آتی با متغیرهای متفاوت نیز استفاده نمود. براین­اساس در این تحقیق درصد کاهش هد جریان غلیظ نمکی تحت تاثیر موانع نفوذپذیر ذوزنقه­ای شکل (سنگ­دانه ­ها با قطر ۱ سانتیمتر)، با در نظر گرفتن متغیرهایی همچون دبی، شیب، غلظت و ارتفاع موانع به ­صورت آزمایشگاهی مورد بررسی قرار گرفت، سپس براساس نتایج حاصله اقدام به مدل­سازی هد جریان غلیظ نمکی با روش شبکه عصبی مصنوعی پیش­خور و روش کلاسیک رگرسیون چند متغیره شد و کارکرد این دو روش مورد مقایسه قرار گرفت.یافته­ ها : نتایج نشان داد که روش هوشمند شبکه عصبی مصنوعی پیش­خور در مدل­سازی درصد کاهش هد جریان غلیظ نمکی نسبت به روش رگسیون چند متغیره برتری قابل توجهی دارد به­گونه­ای که مقادیر رگسیون آموزش، واسنجی و تست به ترتیب ۹۹/۰، ۰.۹۸ و ۹۸/۰ برای شبکه عصبی و ۹۲/۰، ۰.۹۱ و ۹۱/۰ برای رگسیون چند متغیره بدست آمد.نتیجه­ گیری : عملکرد شبکه عصبی مصنوعی نسبت به روش رگسیون چند متغیره کارایی بسیار بهتری دارد.

جریان غلیظ, رسوب گذاری, درصد کاهش هد, شبکه عصبی پیش خور, رگرسیون چند متغیره