پیش بینی عمق آبشستگی در پایین دست سازه های شی بشکن در شبکه های آبیاری و زهکشی با استفاده از مدل ANNs
Publish Year: 1392
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 639
This Paper With 8 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:
IDNC04_167
تاریخ نمایه سازی: 27 اردیبهشت 1393
Abstract:
سازه های شیب شکن از جمله سازه های هیدرولیکی هستند که با توجه به توپوگرافی زمین جهت اعمال یک سرعت بهینهدر کانال ها و شبکه های آبیاری و زهکشی به کار می روند. احداث سازه های شیب شکن یکی از روش های متداول در کاهشفرایند فرسایش و گود افتادگی بستر می باشد.این سازه ها که به صورت مانعی در برابر جریان قرار می گیرند، به صورت موضعیباعث فرسایش یا آبشستگی می شوند.چنانچه عمق آبشستگی قابل ملاحظه باشد می تواند پایداری این سازه ها را در معرض خطرقرار دهد یا موجب تخریب آن ها گردد.بنابراین طراحی بهینه سازه های شیب شکن مستلزم پیش بینی عمق آبشستگی در پاییندست این سازه ها می باشد.شبکه عصبی مصنوعی از جمله روش هایی است که می تواند با دقت مناسبی فرآیندهای پیچیده وغیرخطی را برآورد نماید.در این تحقیق به منظور برآورد عمق حفره آبشستگی و بر مبنای بکارگیری داده های آزمایشگاهی،مدل شبکه عصبی پرسپترون چندلایه با تابع انتقال سیگموئید مورد استفاده قرار گرفت. نتایج نشان داد که شبکه عصبی مصنوعی با مقدار ضریب تعیین (R(2)=0/94) از عملکرد مطلوبی برخوردار می باشد. بنابراین می توان برای تخمین عمق حفره آبشستگی در پایین دست سازه های شیب شکن، بجای معادلات تجربی ارائه شده بر مبنای رگرسیون مدل شبکه عصبی مصنوعی را مورد استفاده قرار داد.
Keywords:
Authors
سمیه رحیمی
دانشجوی دکتری مهندسی سازه های آبی دانشکده مهندسی علوم آب دانشگاه شهید چمران
فاطمه جراح زاده
دانشجوی دکتری مهندسی سازه های آبی دانشکده مهندسی علوم آب دانشگاه شهید چمران
سیدمحمود کاشفی پور
استاد گروه مهندسی سازه های آبی دانشکده مهندسی علوم آب دانشگاه شهید چمران
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 :