محاسبه عمق آبشستگی در بستر کانال ها و آبراهه ها با استفاده از روش های هوش مصنوعی بر مبنای داده های آزمایشگاهی

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,092

فایل این مقاله در 21 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NATURE02_250

تاریخ نمایه سازی: 22 بهمن 1392

چکیده مقاله:

آبشستگی در کف کانال ها یک پدیده مخرب زیست محیطی و فرسایشی می باشد که تحقیقات بسیاری در این باره توسط مهندسین عمران انجام شده است. تخمین دقیق عمق آبشستگی در کف کانال ها می تواند نقش موثری را در حفظ محیط زیست و کاهش مصرف انرژی داشته باشد. در این تحقیق از روش دسته بندی گروهی داده ها GMDH) جهت تخمین عمق آبشستگی موضعی در مقطع تنگ شده کانال مستطیلی استفاده می شود. پارامتر های موثر بر عمق آبشستگی موضعی شامل سرعت متوسط جریان بالادست، سرعت بحرانی رسوبات کف کانال، عرض کانال در مقطع تنگ شده، عرض کانال در مقطع تنگ نشده، قطر میانه ذرات رسوب و عمق جریان آب بالادست می باشند. عملکرد مدل پیشنهادیGMDHدر مراحل آموزش و ارزیابی با نتایج حاصل از مدل سازی با روش سیستم های استنتاج فازی عصبی- تطبیقیANFIS) و روابط تجربی بر مبنای رگرسیون مقایسه خواهند شد. همچنین تاثیر پارامتر های موثر بر عمق آبشستگی بررسی می شوند

کلیدواژه ها:

آبشستگی ، کانال های باز و آبراهه ، محیط زیست ، روش های هوش مصنوعی ، روابط تجربی

نویسندگان

محمد نجف زاده

مدرس گروه عمران دانشگاه آزاد اسلامی واحد بم

امین صدیق پورراینی

عضو هیات علمی گروه عمران دانشگاه آزاد اسلامی واحد بم

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 :
  • Azamathulla, H.Md., Ghani, A.Ab., Zakaria, N.A., Lai, S.H., Chang, C.K., ...
  • Azamathulla, H. Md, Ghani, A., 2010. Genetic Programming to Predict ...
  • Azamathulla, H.Md., Guven, A., Demir, Y.K., 2011. Linear genetic programming ...
  • Azamathulla, H.Md., Ghani, A.A., 2011. ANFIS-based approach for predicting the ...
  • Amanifard, N., Nariman -Zadeh, N., Farahani, M.H., Khalkhali, A., 2008. ...
  • Bateni, S.M., Borghei, S.M., Jeng, D.S., 2007a. Neural network and ...
  • Dey, S., Raikar, R.V., 2005. Scour in Long Contractions. J. ...
  • Guven, A., Azamathulla, H. Md., Zakaria, N.A., 2009. Linear genetic ...
  • Ghazanfari -Hashemi, S., Etemad -Shahidi, A. , Kaz eminezhad, M.H., ...
  • Kalantary, F., Ardalan, H., N ariman-Zadeh, N., 2009. An investigation ...
  • Komura, S., 1966. Equilibrium depth of scour in long constriction. ...
  • Nariman- Zadeh, N., Darvizeh, A., Ahmad-Zadeh, G.R., 2003. Hybrid genetic ...
  • Straub, L.G., 1934. Effect of channel contraction works upon regimen ...
  • Webby, M.G., 1984. General ScOur at contraction RRU Bulletin 73, ...
  • Witczak, M., Korbicz, J., Mrugalski, M., Patton, _ 2006. A ...
  • نمایش کامل مراجع