توسعه مدل فرا ابتکاری انفیس- الگوریتم ژنتیک برای پیش بینی عمق آبشستگی در مجاورت لوله های مستغرق
محل انتشار: فصلنامه مهندسی عمران فردوسی، دوره: 33، شماره: 1
سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 344
فایل این مقاله در 14 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_CIVIL-33-1_002
تاریخ نمایه سازی: 10 مرداد 1400
چکیده مقاله:
در نواحی ساحلی، عبور خطوط لوله مستغرق نفت و گاز بسیار رایج است و وقوع آبشستگی در اطراف لوله پایداری آنها را تهدید میکند. در این مطالعه یک مدل فرا ابتکاری برای پیش بینی عمق آبشستگی در اطراف لوله های افقی مستغرق توسعه داده می شود. مدل عددی با ترکیب مدل سیستم استنباط فازی عصبی تطبیقی (انفیس) و الگوریتم ژنتیک تولید می شود. علاوه بر این در مطالعه حاضر برای ارزیابی دقت مدل های عددی از شبیه سازی های مونت کارلو استفاده شد. در مقابل برای اعتبار سنجی نتایج مدل های مذکور از روش اعتبار سنجی متقابل با ۶=k بهره گرفته شد. سپس ۶ مدل عددی مختلف توسعه داده می شود. سرانجام با تجزیه وتحلیل نتایج مدل های عددی، مدل برتر معرفی شد. مدل برتر عمق آبشستگی را با دقت قابل قبولی شبیهسازی کرد. این مدل مقادیر آبشستگی را با استفاده از کلیه پارامترهای ورودی شبیهسازی کرد. به عنوان مثال برای مدل برتر مقادیر ضریب همبستگی و شاخص پراکندگی به ترتیب مساوی با ۹۷۴/۰ و ۰۹۰/۰ محاسبه شد. علاوه بر این، فاصله بین لوله و بستر رسوبی قبل از آبشستگی به قطر لوله (e/D) بهعنوان موثرترین پارامتر ورودی شناسایی شد
کلیدواژه ها:
نویسندگان
احسان یارمحمدی
گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه.
احمد رجبی
گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه
محمد ایزدبخش
گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه.
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 :