برآورد حداکثر عمق آبشستگی تحت اثر جتهای دیواره ای با استفاده از شبکه های عصبی مصنوعی
Publish place: 4th National Congress on Civil Engineering
Publish Year: 1387
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,396
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:
NCCE04_198
تاریخ نمایه سازی: 19 مهر 1386
Abstract:
یکی از مهمترین موضوعات تحقیقاتی که در علم هیدرولیک مطرح است آبشستگی ناشی از جریان در اطراف سازه های هیدرولیکی است . جتهای دیواره ای نوعی از جتها می باشند که با عبور یک جریان با سرعت زیاد از باز شدگی دریچه و تبادل مومنتم با سیال اطراف خود گ سترش می یابند . عبور این نوع جریان باعث ایجاد آبشستگی در منطقه بعد از دریچه خواهد شد . ایجاد حفره آبشستگی امکان ناپایداری سازه اطراف حفره را تشدید می کند . تا به امروز تحقیقات زیادی بر روی اثر پارامترهای مختلف بر ابعاد حفره آبشستگی ایجاد شده توسط جتهای دی واره ای انجام شده است . هر کدام از این تحقیقات رابطه ای با یک محدوده کاربرد خاص برای تعیین حداکثر عمق آبشستگی تحت اثر جتهای دیواره ای ارایه کرده اند که هرکدام از این روابط نیز نسبت به داده های آزمایشگاهی دارای خطا می باشد . با توجه به این موضوع با جمع آوری چند سری داده آزمایشگاهی از منابع مختلف، اقدام به آموزش شبکه عصبی مصنوعی برای کل محدوده داده بدست آمده، شده است . شبکة عصبی استفاده شده در این تحقیق از نوع شبکة یادگیری با نظارت است . مقایسه نتایج حاصل از شبکه عصبی و نتایج بدست آمده از روابط موجود با نتایج آز مایشگاهی، حاکی از توانایی و سرعت بالای شبکه عصبی در برآورد حداکثر عمق آبشستگی تحت اثر جتهای دیواره ای می باشد .
Keywords:
Authors
محمدنوید مقیم
دانشجوی دکتری سازه های هیدرولیکی دانشگاه تربیت مدرس
مجتبی گلدی درسنگی
دانشجوی دکتری سازه های هیدرولیکی دانشگاه تربیت مدرس
مسعود قدسیان
استاد گروه هیدرولیک دانشگاه تربیت مدرس
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 :