پیش بینی حداکثر عمق آبشستگی تحت اثر موانع، در اطراف پایه پل با استفاده از سیستم خود سازمانده ی NF-GMDH بر مبنای الگوریتم های بهینه سازی GSA و GA
Publish place: International Conference on Architecture, Urban Planning, Civil Engineering, Art and Environment; Future horizons, look to the past
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 391
This Paper With 8 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICAUCAE01_1065
تاریخ نمایه سازی: 10 تیر 1396
Abstract:
همواره پایداری پل های یک رودخانه، تحت تاثیر عوامل مخرب زیادی قرار دارد، که در نهایت منجر به خرابی پل می شوند. از جمله ی این عوامل می توان به بارهای هیدرودینامیکی، آبشستگی بستر، آبشستگی خاکریز، انباشت اجسام شناور در محل پایه پل و تاثیر کشتی اشاره کرد. در این مطالعه به بررسی آبشستگی موضعی پایه ی پل تحت اثر موانع، پرداخته می شود. امروزه دولت ها نگران تعمیر سازه های آسیب دیده در طول سیلاب ها و همچنین حفاظت و نگهداری سازه ها قبل از وقوع سیلاب در آینده، هستند. از این رو، نیاز به روش های پیشرفته پیش بینی هندسه ی انباشت موانع و عوامل موثر بر آبشستگی تحت اثر انباشت موانع در پایه های پل، به منظور استفاده در طراحی، بهره برداری و نگهداری پل های یک بزرگراه، غیر قابل اجتناب می باشد. بدین منظور، در این تحقیق تخمین حداکثر عمق آبشستگی پایه پل، با استفاده از مدل های پیشرفته NF-GMDH-GSA و NF-GMDH-GA صورت گرفته است. در ادامه، پیش بینی های حاصل از دو مدل، با نتایج روابط تجربی مطالعات پیشین، مقایسه شده و عملکرد مدل های مذکور در پیش بینی حداکثر عمق آبشستگی پایه پا تحت اثر موانع، مورد ارزیابی قرار می گیرد.
Keywords:
آبشستگی پایه پل , انباشت موانع , شبکه دسته بندی گروهی داده ها , الگوریتم جستجوی گرانشی , الگوریتم وراثتی , روابط تجربی
Authors
میثم علیزاده بابکیکی
دانشجوی کارشناسی ارشد، مهندسی و مدیریت منابع آب، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان
محمد نجف زاده
استادیار گروه مهندسی عمران، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان
عصمت راشدی
استادیار گروه مهندسی برق، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان
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 :