پیش بینی نرخ فرسایش رسوبات چسبنده و تحلیل پارامترهای موثر بر آن به کمک شبکه عصبی مصنوعی
عنوان مقاله: پیش بینی نرخ فرسایش رسوبات چسبنده و تحلیل پارامترهای موثر بر آن به کمک شبکه عصبی مصنوعی
شناسه ملی مقاله: JR_JWMS-14-48_008
منتشر شده در در سال 1398
شناسه ملی مقاله: JR_JWMS-14-48_008
منتشر شده در در سال 1398
مشخصات نویسندگان مقاله:
مهران خیرخواهان - Ph.D. in water engineering and hydraulic structures, faculty of civil engineering, Semnan University, Semnan.
خسرو حسینی - associate Prof. in water engineering and hydraulic structures, faculty of civil engineering, Semnan University, Semnan.
شهاب نیر - Ph.D. student in water engineering and hydraulic structures, faculty of civil engineering, Semnan University, Semnan.
خلاصه مقاله:
مهران خیرخواهان - Ph.D. in water engineering and hydraulic structures, faculty of civil engineering, Semnan University, Semnan.
خسرو حسینی - associate Prof. in water engineering and hydraulic structures, faculty of civil engineering, Semnan University, Semnan.
شهاب نیر - Ph.D. student in water engineering and hydraulic structures, faculty of civil engineering, Semnan University, Semnan.
مکانیک انتقال رسوبات چسبنده متفاوت از رسوبات غیرچسبنده است. در تعیین نرخ فرسایش رسوبات غیرچسبنده از پارامترهای فیزیکی، همانند قطر متوسط و چگالی استفاده می گردد، در حالی که به علت ماهیت رسوبات چسبنده نرخ فرسایش آن ها به صورت رابطه ای با تنش برشی بستر با ضرایب ثابت مربوط به ویژگی هر نوع رسوب تعریف می گردند. در این تحقیق از اطلاعات آزمایشگاهی رسوبات چسبنده مصب رودخانه لویر استفاده شده است که پس از صحت سنجی نتایج در نرم افزار Mike، داده های آزمایشگاهی توسعه داده شدند تا بتوان با داده های بیشتر و شرایط هیدرولیکی متفاوت تری، پدیده فرسایش رسوبات را مورد مطالعه قرار داد. در ادامه نظر به تعداد پارامترهای متعدد موثر در پدیده فرسایش رسوبات، از شبکه عصبی برای ایجاد ارتباط میان داده ها استفاده گردید. پارامترهای استفاده شده در مدل شامل مولفه های جریان و مشخصه های رسوبات و سیال می باشند. به علت عملکرد بهتر شبکه عصبی این داده ها پس از بی بعدسازی مورد استفاده قرار گرفتند. ضریب همبستگی و میانگین قدر مطلق خطای داده ها در شبکه عصبی مورد استفاده به ترتیب ۹۸/ ۰ و ۰۰۳۶/ ۰ به دست آمدند که بیان گر عملکرد مناسب شبکه بودند. در نهایت پس از انجام تحلیل حساسیت وزنی، پارامترهای و به ترتیب بعنوان موثرترین پارامترهای افزایش و کاهش نرخ فرسایش معرفی شدند.
کلمات کلیدی: Yield Shear Stress, Loire Estuary, Flow and Sediment Characteristics, Erosion Sensitive Analyze, Mike Numerical Model, MLP Neural Network., تنش برشی تسلیم, رودخانه لویر فرانسه, ویژگی های سیال و رسوب, تحلیل حساسیت فرسایش, مدل عددی Mike, شبکه عصبی MLP.
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1863178/