مقایسه نتایج شبکه عصبی با مدل های تجربی جهت تخمین طول پرش هیدرولیکی برروی بسترهای زبر دندانه دار
Publish Year: 1392
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 427
This Paper With 7 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:
ABYARI12_166
تاریخ نمایه سازی: 9 مرداد 1395
Abstract:
در بسیاری از مواقع به دلایل مختلفی از قبیل شیب زیاد کف و یا اختلاف زیاد انرژی بین دو کانال سدها به دلیل اختلاف ارتفاع زیاد،سرعت جریان و نهایتا انرژی جنبشی بشدت افزایش می یابد که عدم کاهش این انرژی باعث فرسایش کف و ایجاد گودال در پایین دست این سازه ها می گردد.و در درازمدت باعث خراب شدن این سازه ها ازجمله کانالهای آبیاری و واژگون شدن سد می شود لذا می بایست به نوعی سرعت انرژی جنبشی را در سیستم های هیدرولیکی کم و یا آن را از بین برد. زبر نمودن کف حوضچه های آرامش یکی از روش های مستهلک کننده انرژی است.که در این تحقیق سعی بر آن شده که نتایج شبکه عصبی با مدل تجربی جهت تخمین طول پرش هیدرولیکی بر روی بسترهای زبردندانه دارمورد مقایسه قرارگیرد. برای رسیدن به اهداف این تحقیق از تعداد 144 داده آزمایشگاهی و نرم افزار شبکه عصبی استفاده شده است. در مجموع 80 آرایش برای طول پرش هیدرولیکی دربستر زبر در لایه های پنهان متفاوت از 1 تا 2 مشخص گردید و از بین آرایش ها بهترین شبکه ها به تفکیک 1 تا 4 لایه پنهان مشخص گردید که آرایش 4 لابه ( 2 لایه پنهان) با تعداد 6 گروه در هر لایه پنهان و تابع انتقال گوسین با مشخصات = 0.998004 وRMSE=0.009015 ضریب همبستگی بهترین طول پرش هیدرولیکی را در بسترهای زبردار می باشد. و در نهایت نتایج شبکه عصبی با مدل تجربی مورد مقایسه قرار خواهد گرفت که نتایج نشان دهنده دقت بالاتر شبکه عصبی در مقایسه با مدلهای تجربی می باشد.
Keywords:
پرش هیدرولیکی- شبکه عصبی - بستر زبر - طول پرش هیدرولیکی - مدل های تجربی
Authors
امیرحسین آروین
دانشجوی کارشناسی ارشد عمران آب دانشگاه آزاد واحد یاسوج
آرش جاعل
استادیار گروه مهندسی آب و خاک دانشگاه پیام نور مرکز یاسوج
سعید حسینی
مدرس و عضو هیئت علمی عمران دانشگاه آزاد واحد یاسوج
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 :