شبیه سازی عددی دبی آبگیر با استفاده از نرم افزارFLOW-۳D و ارزیابی پارامترهای هیدرولیکی با استفاده از مدل ماشین یادگیری

سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 27

فایل این مقاله در 20 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ARIDSE-25-96_002

تاریخ نمایه سازی: 15 اسفند 1403

چکیده مقاله:

نقش آبشکن ها در حفاظت از دیواره رودخانه، آن ­ها را جزء موضوع ­های مهم مهندسی رودخانه قرار داده است. در این مطالعه، عملکرد دو مدل یادگیری ماشین شامل ماشین بردار پشتیبان (SVM) و برنامه ریزی بیان ژن (GEP) با نرم افزار FLOW-۳D در شبیه سازی میزان دبی انحرافی در مقیاس آزمایشگاهی مقایسه شده است. برای مدل فیزیکی در یک فلوم آزمایشگاهی با دو نوع آبشکن T-شکل و L-شکل و با زاویه های ۹۰ و ۱۳۵ درجه برای انحراف دبی به کانال آبگیری شبیه سازی شد. سه متغیر مستقل شامل عدد فرود جریان، زاویه آبگیری و طول نسبی آبشکن ها برای مدل های یادگیری ماشین استفاده شدند. از ۹۶ داده آزمایشگاهی، ۷۰ درصد برای آموزش و ۳۰ درصد برای آزمون مدل های یادگیری ماشین اختصاص یافت. سه شاخص RMSE، MAE و R² برای ارزیابی عملکرد مدل ها به کار گرفته شدند. نتایج تحقیق نشان داد که برنامه ریزی بیان ژن (GEP) نسبت به ماشین بردار پشتیبان (SVM) عملکرد بهتری دارد به طوری که در مرحله آموزش و آزمون، مقدار ضرایب ارزیابی عملکرد برای هر دو آبشکن T-شکل و L-شکل دارای برتری بودند. در نرم افزار FLOW-۳D، ضریب زبری مانینگ و نوع معادله شبیه ساز آشفتگی در فرآیندهای واسنجی و صحت سنجی استفاده شدند. مقایسه بین مقادیر ارزیابی عملکرد نشان دهنده برتری نسبی GEP نسبت به FLOW-۳D است.

نویسندگان

ایمان کریمی سرمیدانی

دانشجوی کارشناسی ارشد سواحل، بنادر و سازه های دریایی، گروه مهندسی عمران ، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.

محمد حیدرنژاد

دانشیار، گروه علوم و مهندسی آب، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.

اصلان اگدرنژاد

استادیار، گروه علوم و مهندسی آب، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، 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 :
  • Acharya, A., & Duan, J. G. (۲۰۱۱). Three dimensional simulation ...
  • Aezzi, S., Khanjani, M. J., & Zounemat-Kermani, M. (۲۰۱۸). Two ...
  • Alauddin, M., & Tsujimoto, T. (۲۰۱۱). Optimum Design of Groynes ...
  • Ali-Nagizadeh-Behbahani, H. (۲۰۱۳). Investigating the hydraulic conditions of the flow ...
  • Behnamtalab, E., Cheshomi, A., & Khamchin-Moghaddam, F. (۲۰۱۹). Numerical simulation ...
  • Daneshfaraz, R., Aminvash, E., Ghaderi, A., Abraham, J., & Bagherzadeh, ...
  • Predicting the energy dissipation of a rough sudden expansion rectangular stilling basins using the SVM algorithm [مقاله ژورنالی]
  • Esmaeli, P., Bodaghpour, S., Rostami, M., & Mirzaee, M. (۲۰۲۰). ...
  • Fuladipanah, M., & Majedi-Asl, M. (۲۰۲۲). Soft Computing Application to ...
  • Hosseini-Asli, N., Parvaresh-Rizi, A., Rostami, M., & Fahoudi, J. (۲۰۱۵). ...
  • Koncar, N. (۱۹۹۷). Optimisation methodologies for direct inverse neurocontrol (Doctoral ...
  • Mandal, A., Gautam, H., & Ahmad, Z. (۲۰۲۴). Sediment control ...
  • Maroofi-nia, E., Asna-Ashari, A., Hassan-Zadeh, Y., Khosh-tinat, S., & Amin-nejad, ...
  • Sedaghat-Shayegan, D., & Roosta, M. R. (۲۰۲۴). Numerical Investigation of ...
  • Vaghefi, M., & Ghodsian, M. (۲۰۱۰). Experimental study on flow ...
  • Vapnik, V. (۱۹۹۵). The Nature of Statistical Learning Theory. Springer-Verlag ...
  • Yang, J., Shen, Z., Zhang, J., Teng, X., Zhang, W., ...
  • Zare, M., & Honar, T. (۲۰۱۶). The Effect of Groyne ...
  • نمایش کامل مراجع