برآورد بار بستر رسوب رودخانه ها بر مبنای دبی جریان به روش برنامه ریزی ژنتیک (GP)
Publish place: National Congress Numerical Methods in Civil Engieering 2015National Congress Numerical Methods in Civil Engieering 2015
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 505
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
NMCE01_008
تاریخ نمایه سازی: 11 آبان 1395
Abstract:
مقدار بار بستر رودخانه ها اغلب به صورت درصدی از بار معلق بیان می گردد، اما لازم است مطالعات موردی جهت تعیین هرچه دقیق تر این نسبت انجام گیرد تا بار کل رسوب انتقالی به درستی پیش بینی گردد. در دهه های اخیر علاوه بر روابط تجربی مبتنیبر هیدرولیک رسوب روش های متنوع جدیدی ارائه شده که قادرند مقادیر مربوط به پدیده های طبیعی را به خوبی پیش بینی نمایند.درخصوص کاربرد مدل های هوشمند جعبه ی سیاه متکی بر رفتار موجودات زنده، به دلیل برتری دقت این مدل ها بر روابط کلاسیکمذکور، تحقیقات بسیاری ارائه شده که به دلیل غیر صریح بودن استفاده از آن ها در عمل به طور مناسب توسعه نیافته است. لذا توسعه ییک مدل صریح برای شناخت رابطه ی بین بار رسوبی و دبی جریان امری ضروری می باشد. در پژوهش حاضر روش صریح برنامه ریزیژنتیک (GP) برای برآورد بار بستر رودخانه ها ارائه شده است. بدین منظور پس از یک دوره اندازه گیری های صحرایی در فصول پرآبیجریان، ضمن تعیین نسبت بار بستر به بار معلق حوضه (با بهره گیری از نرم افزار SPSS)، با استفاده از نرم افزار Discipulus ، مقادیر باربستر رودخانه ی بار شهرستان نیشابور بر مبنای دبی جریان برآورد شده است. نتایج حاکی از دقت مناسب این روش در پیش بینی مقادیر در دو گروه داده های آموزش و ارزیابی (با میانگین ضریب تعیین 0/7) می باشد.
Keywords:
Authors
محمد لطف آبادی
دانش آموخته کارشناسی ارشد مهندسی عمران سازه های هیدرولیکی، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران، نویسنده مسئول مکاتبات
فرهاد خامچین مقدم
استادیار گروه مهندسی عمران، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران
سیداحسان شبرنگی
استادیار گروه مهندسی عمران، واحد کرج، دانشگاه آزاد اسلامی، کرج، 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 :