Modeling of pressure fluctuation beneath hydraulic jump

Abstract

Yatay ve egimli kanallarda olusan hidrolik sıçramanın çesitli tipleri deneysel ve teorik olarakçalısılmıstır ve bu çalısmaların sonuçları literatürde mevcuttur. Bu çalısmada, yatay enerjikırma havuzlarında meydana gelen hidrolik sıçrama altında olusan ortalama basınççalkantılarının Yapay Sinir Agları (YSA) ile modellemeleri gerçeklestirilmistir. Çok katmalıileri beslemeli sinir agı ve geri beslemeli ögrenme algoritması kullanılarak bu tip hidroliksıçrama altında olusan ortalama basınç çalkantıları modellenmistir. Yatay enerji kırmahavuzlarında meydana gelen hidrolik sıçramayı en çok etkileyen parametreler kullanılarak,ortalama basınç ve boyutsuz basınç çalkantısı parametresinin açık formülasyonlarısunulmustur. Önerilen sinir agı modelleri, aynı fiziksel parametreler kullanılarak elde edilenlineer olmayan regresyon modelleriyle karsılastırılmıstır. Sinir agı modellerinin sonuçlarının,lineer olmayan regresyon modellerine göre çok daha iyi oldugıu gözlemlenmistir, ve deneyselsonuçlarla da nisbeten küçük hatalar (ortalama salt yüzde hata) ile birlikte iyi uyum içindeoldugu gözlemlenmistir.Anahtar kelimeler: Sinir agları, basınç çalkantıları, hidrolik sıçrama, enerji kırma havuzu,açık sinir agı formülasonu, regresyon analizi.

Various types of hydraulic jump occurring on horizontal and sloping channels have beenanalyzed experimentally and theoretically, and the results are available in the literature. Inthis study, Artificial Neural Network (ANN) models were developed to simulate the meanpressure fluctuations beneath hydraulic jump occurring on horizontal stilling basins.Multilayers feed forward neural network with back propagation learning algorithm is used tomodel the pressure fluctuations beneath hydraulic jump. Explicit formulations of meanpressure fluctuation and dimensionless pressure fluctuation parameter in terms of the mostcontributing characteristics of hydraulic jump occurring on stilling basins are presented. Theproposed neural network models are compared with nonlinear regression models that weredeveloped using considered physical parameters. The results of the neural network modellingare found to be superior over the regression models and are in good agreement with theexperimental results due to relatively small values of error (mean absolute percentage error).Keywords: Neural networks, pressure fluctuations, hydraulic jump, stilling basin, explicitneural networks formulation, regression analysis.