تخمین ضریب اصطکاک در لوله‌ها با استفاده از سیستم تطبیقی استنتاج فازی- عصبی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیارگروه مهندسی عمران، دانشگاه سیستان و بلوچستان، زاهدان

2 دانشجوی کارشناسی ارشد آب، مهندسی عمران، دانشگاه سیستان و بلوچستان، زاهدان

چکیده

تخمین ضریب اصطکاک در لوله‌ها در بسیاری از مسائل مهندسی آب و فاضلاب، مانند توزیع سرعت و تنش برشی، فرسایش، انتقال رسوب و افت هد، اهمیت ویژه‌ای دارد. در تحلیل این‌گونه مسائل با دانستن ضریب اصطکاک، می‌توان تخمین دقیق‌تری از آنها به‌دست آورد. در این تحقیق به‌منظور تخمین ضریب اصطکاک در لوله‌ها با استفاده از سیستم تطبیقی استنتاج فازی- عصبی، روش افراز شبکه‌ای مورد استفاده قرار گرفت. برای آموزش و تست مدل فازی- عصبی از داده‌های به‌دست آمده از معادله کلبروک استفاده گردید. در روش فازی- عصبی، زبری نسبی لوله و عدد رینولدز، متغیرهای ورودی و ضریب اصطکاک متغیر خروجی در نظر گرفته می‌شود. عملکرد مدل ارائه شده با استفاده از داده‌های برداشت شده از معادله کلبروک و بر مبنای شاخصهای آماری ضریب تعیین، جذر میانگین مجذورات خطا و میانگین خطای مطلق ارزیابی گردیدند. مقایسه نتایج نشان داد که مدل سیستم تطبیقی استنتاج فازی-عصبی با روش گسسته‌سازی شبکه‌ای و تابع عضویت ورودی گوسین و خروجی خطی، ضریب اصطکاک را با دقت بیشتری نسبت به دیگر حالات برآورد می‌نماید. رهیافت جدید ارائه شده در این تحقیق قابلیت کاربرد در مسائل طراحی کاربردی و نیز قابلیت اتصال و ترکیب با مدل‌های ریاضی و عددی انتقال رسوب و به‌هنگام‌سازی نتایج آنها را در شرایط واقعی دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Adaptive Neuro-Fuzzy Computing Technique for Determining Turbulent Flow Friction Coefficient

نویسندگان [English]

  • Mohammad Givehchi 1
  • Soghra Bardestani 2
چکیده [English]

Estimation of the friction coefficient in pipes is very important in many water and wastewater engineering issues, such as distribution of velocity and shear stress, erosion, sediment transport and head loss. In analyzing these problems, knowing the friction coefficient, can obtain estimates that are more accurate. In this study in order to estimate the friction coefficient in pipes, using adaptive neuro-fuzzy inference systems (ANFIS), grid partition method was used. For training and testing of neuro-fuzzy model, the data derived from the Colebrook’s equation was used. In the neuro-fuzzy approach, pipe relative roughness and Reynolds number are considered as input variables and friction coefficient as output variable is considered. Performance of the proposed approach was evaluated by using of the data obtained from the Colebrook’s equation and based on statistical indicators such as coefficient determination (R2), root mean squared error (RMSE) and mean absolute error (MAE). The results showed that the adaptive nerou-fuzzy inference system with grid partition method and gauss model as an input membership function and linear as an output function could estimate friction coefficient more accurately than other conditions. The new proposed approach in this paper has capability of application in the practical design issues and can be combined with mathematical and numerical models of sediment transfer or real-time updating of these models.

کلیدواژه‌ها [English]

  • Friction coefficient
  • adaptive neuro-fuzzy inference system
  • Colebrook’s Equation
  • Pipe Relative Roughness
  • Reynolds Number
- Yuhong, Z., and Wenxin, H. (2009). “Application of artificial neural network to predict the friction factor of open channel flow.” Commun Nonlinear Sci. Numer Simulate, 14, 2373-2378.
2- Yildirim, G., and Ozger, M. (2009). “Neuro-fuzzy approach in estimating Hazen–Williams friction coefficient for small-diameter polyethylene pipes.” Advances in Eng. Saftware, 40, 593-599.
3- Christensen, B.A. (2000). “Discussion of limitations and proper use of the Hazen– Williams equation  by C.P. liou.” J. of  Hydr. Eng., 126(2), 167-168.
4- Valiantzas, J.D. (2005). “Modified Hazen–Williams and Darcy–Weisbach equations for friction and local head losses along irrigation laterals.” J. of  Irrig. Drain Eng., 131(4), 342-350.
5- Moody, L.F. (1947). “An approximate formula for pipe friction factors.” J. of  Trans. ASME., 69, 1005-1006.
6- Walid, H.S., and Shyam, S.S. (1998). “An artificial neural network for non-iterative calculation of the friction factor in pipeline flow.” J. of  Comput. Electron Agriculture, 21, 219-228.
7- Yıldırım, G., and Ozger, M. (2009). “Determining turbulent flow friction coefficient using adaptive neuro-fuzzy computing technique.” Advances in Eng. Saftware, 40, 281-287.
8- Colebrook, C.F., and White, C.M. (1937). “Experiments with fluid friction in roughened pipes.” Proc., R. Soc. A. Mat., 161, 367-381.
9-Goudar, C.T., and Sonnad, J.R. (2008.). “Comparison of the iterative approximations of the Colebrook –White equation.” J. of Hydr. Proc., 87, 79-83.
10- Chen, N.H. (1979). “An explicit equation for friction factor in pipe.” J. of Ind. Eng. Chem. Fundam., 18(3), 296-297.
11- Romeo, E., Royo, C., and  Monzon, A. (2002). “Improved explicit equations for estimation of the friction factor in rough and smooth pipes.” J. of  Chem. Eng., 86(3), 369-374.
12- Sonnad, J.R., and Goudar, C.T. (2006). “Turbulent flow friction factor calculation using mathematically exact alternative to the Colebrook-White equation.” J. of Hydr. Eng., 132(8), 863-867.
13- Karamouz, M., Tabesh, M., Nazif, S., and Moridi, A. (2005). “Estimation of hydraulic pressure in water networks using artificial neural networks and fuzzy logic.” J. of Water and Wastewater, 53, 3-14. (In Persian)
14- Jeon, J. (2007). “Fuzzy and neural network models for analyses of piles.” M.Sc. Thesis, North Carolina State University, USA.
15- Jang, J. S.R. (1993). “ANFIS: Adaptive-network-based fuzzy inference system.” J. of  IEEE. Trans. Syst.  Man, Cyber., 23(3), 665-685.
16- Kurtulus, B., and Razack, M. (2010). “Modeling daily discharge responses of a large karstic aquifer using soft computing methods: Artificial neural network and neuro-fuzzy.” J. of Hydrology, 381, 101-111.
17- Cluckie, I.D., Moghaddamnia, A., and Han, D. (2008 ). “Using an adaptive neuro-fuzzy inference system in the development of a real-time expert system for flood forecasting.” J. of Practical Hydroinformatic, 68, 201-213.
18- Varol, Y., Avci, E., Koca, A. F., and Oztop, H. (2007). “Prediction of flow fields and temperature distributions due to natural convection in a triangular enclosure using Adaptive-Network-Based Fuzzy Inference System (ANFIS) and Artificial Neural Network (ANN).” International Communication in Heat and Mass Transfer, 34, 887-896.
19- Dorum, A., Yarar, A., Sevimli, M. F., and Onucyildiz, M. (2010). “Modelling the rainfall–runoff data of susurluk basin.” Expert Systems with Applications, 37, 6587-6593.
20- Riahi Modvar, H., and Ayyoubzadeh, A. (2008). “Estimating longitudinal dispersian coefficient of pollutants using adaptive neuro-fuzzy inference system.” J. of Water and Wastewater, 67, 34-37. (In Persian)