کاربرد الگوریتم ژنتیک در برآورد ضریب تخلیه سرریزهای جانبی لبه تیز ترکیبی و مقایسه آن با نتایج حاصل از مدل آزمایشگاهی

Publish Year: 1391
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 562

This Paper With 9 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:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

NCUIMWR03_386

تاریخ نمایه سازی: 15 اسفند 1393

Abstract:

سرریزهای جانبی یکی از مهمترین سازه های کنترل و انحراف جریان در آزمایشگاههای هیدرولیک، شبکه های آبیاری و زهکشی، کانالهای انتقال آب و فاضلاب هستند. سرریزهای جانبی معمول به طور همزمان قادر به اندازه گیری دقیق دبی و تخلیه حجم زیادی از جریان در مواقع سیلابی نیستند، به همین دلیل در این تحقیق برای نخستین بار سرریز جانبی لبه تیز ترکیبی مورد بررسی قرار گرفته است. این نوع سرریز میتواند جریان عبوری از خود را با دقت بالایی در محدوده وسیعی از دبی ها اندازه گیری کند. برای تخمین ضریب تخلیه سرریز مذکور، ابتدا با در نظر گرفتن پارامترهای مؤثر بر ضریب تخلیه و آنالیز ابعادی نشان داده شد که ضریب تخلیه این سرریز تابعی از عدد فرود در بالادست جریان، نسبت ارتفاع وزنی تاج سرریز به عمق جریان در بالادست سرریز و عرض کانال به عمق جریان در بالادست سرریز میباشد. سپس با مدل سازی فیزیکی هیدرولیک جریان در سرریزهای لبه تیز ترکیبی با مقطع مستطیلی – مستطیلی و با استفاده از الگوریتم ژنتیک، رابطه ای بدونبعد برای محاسبه ضریب تخلیه سرریز های جانبی لبه تیز ترکیبی استخراج شد. پس از مقایسه آماری مقادیر آزمایشگاهی و محاسباتی ضریب تخلیه، مشخص شد که رابطه پیشنهادی دارای دقت بالایی است.

Keywords:

Authors

سمیرا باقری

دانشجوی کارشناسی ارشد مهندسی سازه های آبی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، ایران

عبدالرضا ظهیری

استادیار گروه مهندسی آب دانشگاه علوم کشاورزی و منابع طبیعی گرگان، ایران

رسول قبادیان

استادیار گروه مهندسی آب پردیس کشاورزی و منابع طبیعی دانشگاه رازی کرمانشاه، ایران

امیر احمد دهقانی

استادیار گروه مهندسی آب دانشگاه علوم کشاورزی و منابع طبیعی گرگان، ایران

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 :