علوم آب و خاک

یکی از چالش‌های اساسی در طراحی سرریزهای جانبی، افزایش راندمان تخلیه سرریز است که به‌صورت نسبت بدون بعد دبی عبوری از سرریز به دبی جریان ورودی تعریف می‌شود. این پژوهش با هدف بررسی تأثیر صفحات جانبی هدایت‌کننده بر عملکرد هیدرولیکی سرریز جانبی همگرا انجام شد. برای این منظور، از نرم‌افزار FLOW-3D به منظور شبیه‌سازی جریان در حضور صفحات با زوایا، طول‌های نسبی (نسبت طول صفحه به عرض کانال بالادست) و موقعیت‌های مختلف نصب استفاده شد تا شرایط بهینه نصب صفحه از نظر هیدرولیکی شناسایی شود. پس از اعتبارسنجی مدل با داده‌های آزمایشگاهی، ۲۸ سناریو ارزیابی شد. نتایج نشان داد که نصب صفحات جانبی می‌تواند در شرایط مناسب، راندمان تخلیه را به طور قابل توجهی افزایش دهد. در این میان، ترکیب زاویه ۶۰ درجه (دافع) و طول نسبی 0/2، در موقعیت ابتدایی سرریز (X₁)، بهترین عملکرد را ارائه داد و راندمان را از مقدار پایه 62% در حالت شاهد (بدون صفحه جانبی) به 82% ارتقا داد. بررسی الگوی سرعت جریان نیز نشان داد که شکل‌گیری ناحیه کم‌سرعت در پایین‌دست صفحه، نقش کلیدی در هدایت مؤثر جریان به سمت سرریز ایفا می‌کند. به طور کلی، استفاده از صفحات جانبی می‌تواند به‌عنوان راهکاری ساده، کم‌هزینه و مؤثر برای بهبود عملکرد سرریزهای جانبی همگرا استفاده شود.

آبشستگی، چالش اصلی مهندسی رودخانه، با تخریب پل‌ها در سیلاب‌ها، هزینه‌های مالی را به دنبال دارد. این مطالعه با هدف تخمین عمق آبشستگی (Dse/Dp) اطراف گروه‌های شمع، پارامترهای هیدرودینامیکی و هندسی را بررسی کرد. بدین منظور با جمع‌آوری 299 داده‌های آزمایشگاهی از منابع مختلف، داده‌ها به دو بخش آزمایش و آزمون تقسیم‌بندی شد. به عنوان ورودی مدل‌های یادگیری ماشین، شامل شبکه عصبی مصنوعی (ANN)، بردار پشتیبان (SVR)، الگوریتم تقویت گرادیان شدید (XGboost) و مدل یادگیری ترکیبی متا (Stacking) همچنین برای تنظیم اَبَرپارامترهای مدل از روش جستجوی شبکه‌ای Gridsearch به منظور ایجاد رگرسیون مؤثر استفاده شد. در ارزیابی عملکرد مدل‌ها، مدل ANN به مقدار 0/87 R² =و مدل SVR به 0/91 R² =دست یافتند. مدل XGBoost با 0/94 R² =و 0/28 RMSE ≈ توانست عملکرد دقیق‌تری نسبت به دو مدل دیگر ارائه دهد. درنهایت، مدل ترکیبی Stacking با بهره‌گیری از خروجی مدل‌های پایه، بهترین عملکرد را ثبت کرده و مقدار 96/0  R² = و 0/11  RMSE =را به دست آورد که این نتایج به معنی افزایش حدود ۱۵ درصدی دقت نسبت به ANN و ۷ درصد نسبت به XGBoost است. به‌طور کلی یافته‌ها نشان می‌دهد که استفاده از مدل‌های ترکیبی یادگیری ماشین، به‌ویژه Stacking، می‌تواند رویکردی دقیق و کارآمد برای پیش‌بینی عمق آبشستگی پیرامون گروه‌های شمع و تحلیل رفتارهای پیچیده جریان در سامانه‌های هیدرولیکی باشد.