پیش بینی و ارزیابی عمق آبشستگی در زیر خطوط لوله با استفاده از روش های پایه کرنلی برای جریان های یکنواخت
سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 172
فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_CEEJ-52-109_001
تاریخ نمایه سازی: 18 مهر 1402
چکیده مقاله:
امروزه در سراسر دنیا از خطوط لوله برای انتقال سیالات از نقطه ای به نقطه دیگر استفاده می شود. عبور خطوط لوله از بستر رودخانه، دریا و اقیانوس ها باعث ایجاد تغییراتی در الگو جریان می شود. در نتیجه این تغییرات، تنش برشی بستر و آشفتگی جریان افزایش می یابد و خاک بستر زیر این خطوط را دچار آبشستگی کرده و گودال آبشستگی به وجود می آید. این گودال ها سبب می شوند که لوله تحت اثر نیروی وزن خود در معرض آسیب دیدگی و شکست باشد؛ که در صورت وقوع این اتفاق خسارات جبران ناپذیر محیط زیستی و مالی ایجاد می کند. از این رو بررسی عمق گودال آبشستگی و عوامل موثر در به وجود آمدن آن برای کاهش آبشستگی و خسارات ناشی از آن بسیار حائز اهمیت می باشد. در این تحقیق به تاثیر عوامل متعددی بر آبشستگی زیر خطوط لوله در جریان یکنواخت با استفاده از روش رگرسیون فرایند گاوسی (GPR) و ماشین بردار پشتیبان (SVM) و مقایسه نتایج آن با روابط ارائه شده پرداخته شده است. بدین منظور داده های آزمایشگاهی متعددی مورد استفاده قرار گرفته و پس از تعریف چندین پارامتر بدون بعد، عملکرد روش های مذکور مورد ارزیابی قرار گرفته است. نتایج به دست آمده به خوبی نشان می دهد که این روش ها کارایی بهتری نسبت به روابط تجربی دارند. بررسی ها نشان داد مدل ماشین بردار پشتیبان با متغییرهای ورودی h/D، D/d، Re و S۰ با دارا بودن مقادیر معیارهای ارزیابی RMSE برابر ۰۸۴/۰، R برابر با ۸۷۷/۰ و NSE برابر ۷۶۷/۰ بهترین نتیجه و عملکرد را دارد.
کلیدواژه ها:
نویسندگان
کیومرث روشنگر
گروه مهندسی آب، دانشکده مهندسی عمران، دانشگاه تبریز
شیما شفیع نائیبی
گروه مهندسی آب، دانشکده مهندسی عمران، دانشگاه تبریز
محمدعلی لطف الهی یقین
گروه مهندسی آب، دانشکده مهندسی عمران، دانشگاه تبریز
مهرداد رمضانیلر
دانشکده مهندسی مکانیک، دانشگاه صنعتی خواجه نصیرالدین طوسی
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 :