بررسی عددی جریان در حوضچه رسوبگیر و بهینه یابی هندسه حوضچه با استفاده از مدل فازی عصبی و الگوریتم ژنتیک

Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 733

This Paper With 14 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:

ICCE10_0872

تاریخ نمایه سازی: 19 تیر 1394

Abstract:

در یک حوضچه رسوبگیر جهت تامین شرایط مناسب رسوبگذاری داشتن جریانی آرام و یکنواخت امری ضروری است. واضح است که نواحی گردابهای در حوضچههای رسوبگذاری بهوجود می آیند. ایجاد این نواحی اثرات متفاوتی بر رسوبگذاری خواهدداشت. غیریکنواختی سرعت و وجود گردابه- های کوچک در سطح و جتهای بزرگ در کف حوضچهها رفتار اندرکنشی بریکدیگر خواهند داشت. چندین روش برای کاهش اندازه این نواحی و بالتبع افزایش عملکرد این حوضچهها وجود دارد. یکی از این روشها استفاده از موانع می باشد. در این تحقیق بهطور همزمان اثر دو پارامتر ارتفاع و محل موانع بر رفتار حوضچه مورد بررسی قرار گرفتهاست. با توجه به مزایای ذکر شده در مورد حوضچه های رسوب گیر هدف این تحقیق در انتها بهینه کردن هندسه موانع که کمترین سرعت متوسط در طول حوضچه با توجه به شرایط ذکر شده در تحقیق را داراست می باشد. به همین منظور از مدل سیستم استنتاج فازی – عصبیANFIS و الگوریتم ژنتیک برای بهینه یابی استفاده گردیده است. برای ساخت سیستم استنتاج فازی و سپس محاسبه سرعت متوسط کل جریان بر پایه الگوی ورودی و خروجی در دسترس میتوان از مدلANFISبهره جست. برای این منظور مجموعا 48 زوج داده استفاده گردید. که 80 درصد داده ها برای آموزش مدلANFISو 20 درصد داده ها برای ارزیابی مدل بکار گرفته شده است و با بکار گیری الگوریتم ژنتیک و تعریف تابع هدف کمینه سازی هزینه (حجم بتن ریزی) موانع با ارضای شرایط هیدرولیکی دلخواه و مناسب به بهینه یابی حوضچه رسوبگیر پرداخته شد

Authors

احسان جعری ندوشن

دانشگاه آزاد اسلامی واحد بیجار، گروه مهندسی عمران، بیجار، ایران

مهنا تاج نسایی

دانشگاه آزاد اسلامی واحد بیجار، گروه مهندسی عمران، بیجار، ایران

سعید فرزین

استادیار دانشکده مهندسی عمران، دانشگاه سمنان

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 :
  • عظیمیان، 1، "دینامیک سیالات محاسباتی"، مرکز نشر دانشگاهی اصفهان، .1385 ...
  • انوری ص.، ارتقاء مدل‌های هوشمند جهت پیش‌بینی جریان رودخانه ب ...
  • حسین پور نیکنام، .. استفاده از مدل فازی -عصبی و ...
  • ملابهرامی ا، محمودی م.، مقدمه‌ای بر الگوریتم‌های ژنتیک، چاپ اول، ...
  • Hamlan, M.J. and A.H.A. Wahab, "Settling Characteristics of Sewage in ...
  • Crosby, R.M., Evaluation of the Hydraulic characteristics of activated sludge ...
  • Bretscher, U., P. Krebs, and W.H. Hager, "Improvement of flow ...
  • Zhou, S., J. McCorquodale, and Z. Vitasovic, "Influences of density ...
  • Huggins, D.L., R.H. Piedrahita, and T. Rumsey, "Analysis of sediment ...
  • Fan, L, et al., "Numerical simulation of secondary sedimentation tank ...
  • Tamayol, A., B. Firoozabadi, and G. Ahmadi, "Effects of Inlet ...
  • Goula, A.M., et al., _ A CFD methodology for the ...
  • 18 December 2014, Tabriz , Iran ...
  • 18 December 2014, Tabriz , Iran ...
  • Shahrokhi, F. Rostami, M.A. Md Said, S. Syafalni "Numerical Investigation ...
  • Hirt, C.W., and Nichols, B.D., (1981) :Volume of Fluid (VOF) ...
  • Hirt, C.W., and Sicilian, J. M. A, (1985) "porosity technique ...
  • Jang, J.-S.R., ANFIs adaptive network based fuzzy inference System. IEEE ...
  • Nayak, P., Sudheer, K., Rangan, D., Ramasa, K., A neuro-fuzzy ...
  • Chang, F. -J., Chang Y. -T., Adaptive neuro-fuzzy inference system ...
  • 8]Goldberg, D. E..Genetic lgorithm for search, Optimization and Machine Learning, ...
  • نمایش کامل مراجع