مقایسه برآورد ضریب بده جریان مدل فیزیکی سرریزهای فیوزگیت کنگره ای با مدل های هوشمند و آماری
محل انتشار: نشریه آبیاری و زهکشی ایران، دوره: 11، شماره: 5
سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 279
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IDJ-11-5_008
تاریخ نمایه سازی: 25 اردیبهشت 1400
چکیده مقاله:
سرریزهای فیوزگیت با توجه به نمای از بالا، به دو مدل تاج مستقیم و تاج کنگرهای تقسیم میشوند. سرریزهای فیوزگیت کنگرهای شامل سه نوع: دریچه باریک با بار کم (NLH)، دریچه عریض با بار کم (WLH) و دریچه عریض با بار زیاد (WHH) میباشند. در این تحقیق، تاثیر ارتفاع متفاوت چاهک سرریز فیوزگیت مدل WLH و شیب کف بر ضریب بده جریان از روی سرریز بررسی شده، و مقدار ضریب بده از مدل شبکه عصبی مصنوعی و از روش آماری همبستگی چند متغیره با نرمافزار SPSS برآورد گردید، و با نتایج نظیر از آزمون مدل فیزیکی مقایسه شده است. همچنین، تحلیل حساسیت عوامل موثر بدون بعد بر ضریب بده جریان مورد آزمون قرار گرفت. برای پیشبینی ضریب بده جریان در مدل شبکه عصبی، بهترین برازش از کاربرد الگوریتم لونبرگ-مارکوآرت بهعنوان تابع آموزش، تابع انتقال تانژانت سیگمویید برای لایه پنهان، و تابع خطی در لایه خروجی، بدست آمد. نتایج تحلیل حساسیت نشان داد که در میان پارامترهای بیبعد، تاثیر بار آبی بالادست به ارتفاع جام، از سایر متغیرهای ورودی بیشتر است. مقدار خطای نسبی برآورد ضرایب بده جریان از مدل آماری، حدود ۳۰ درصد و شبکه عصبی کمتر از ۵ درصد میباشد. از اینرو، مدل شبکهی عصبی ابزار مناسبی برای تخمین ضریب بده جریان در سرریزهای فیوزگیت بهشمار میآید.
کلیدواژه ها:
نویسندگان
مهدی یاسی
دانشیار مهندسی رودخانه، گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فنآوری کشاورزی، پردیس کشاورزی و منابع طبیعی کرج، دانشگاه تهران، ایران
زکیه غلامی
دانشجوی دکتری رشته سازه های آبی، گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فنآوری کشاورزی، پردیس کشاورزی و منابع طبیعی کرج، دانشگاه تهران، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :