بهینه سازی عمق جریان و فاصله شمعها از پایه پل برای رسیدن به کمترین عمق آب شستگی با شبکه عصبی
Publish Year: 1390
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 789
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
NCHP03_307
تاریخ نمایه سازی: 3 فروردین 1391
Abstract:
در این مقاله با استفاده از شبکه عصبی تلاش شده است تا فاصله شمعها از پای هپل و عمق جریان و همچنین تعداد شمعهای ب هکار گرفته شده در جلوی پایههای پل که برای جلوگیری از آثار مخرب آ بشستگی از آ نها استفاده میشود، به منظور رسیدن به کمترین میزان عمق آ بشستگی بهینه شود. قبل از ساخت هر سازه هیدرولیکی مدلی از آن در فلومهای آزمایشگاهی ساخته و میزان آ بشستگی در آن بررسی میشود که انجام آزمایش در آن هزینهبر و وقتگیر است و از این رو نمیتوان همه شرایط و آرایشها را در آزمایشها در نظر گرفت اما استفاده از شبکه عصبی ضمن اینکه اجازه میدهد همه شرایط مورد بررسی قرار گیرد سبب کاهش هزینه، وقت و نیروی انسانی میشود. در اینجا از آلگوریتم لونبرگ- مارکارد پس از انتشار برای آموزش شبکه استفاده شده است. نتایج ب هدست آمده از شبکه عصبی به نتایج واقعی نزدیک است. با استفاده از شبکه عصبی حداکثر 5 تا 7 سانت یمتری برای عمق جریان و برای هر عمق در فاصله 5 تا 15 سانت یمتر و در 4 آرایش 2 / عمق آ بشستگی در بازه 5 و 3 و 4 و 5 شمعی محاسبه شده است و نتایج ب هدست آمده حکایت از آن دارد که کمترین عمق آ بشستگی در شرایطی حاصل خواهد شد که در عمق جریان 7 سانت یمتری از آرایش 5 شمعی و در فاصله 9 سانت یمتری از پای هپل شمعها قرار داده شوند. با محاسبه حجم آ بشستگی در فلوم آزمایشگاهی و جم عآوری دادههای مربوط به آن میتوان می توان شبکه عصبی مشابهی راآموزش داد و نتایج ب هدست آمده از این مقاله را بهبود بخشید.
Keywords:
Authors
فرانک امیدی
دانشجوی کارشناسی ارشد سازههای آبی ، دانشکده مهندسی زراعی دانشگاه کشا
فرشید کی نیا
هیات علمی گروه برق ، دانشگاه آزاد اسلامی واحد علوم و تحقیقات کرمان ،کرم
مجتبی صانعی
هیات علمی پژوهشکده حفاظت خاک و آبخیزداری ایران ، تهران ۲
قاسم جبارزاده
دانشجوی کارشناسی ارشد الکترونیک،دانشگاه آزاد اسلامی واحد علوم تحقیق
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :