برآورد حداکثر عمق آبشستگی حول آبشکنها با استفاده از شبکه عصبی مصنوعی
محل انتشار: هفتمین کنگره بین المللی مهندسی عمران
سال انتشار: 1385
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,370
فایل این مقاله در 7 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:
ICCE07_480
تاریخ نمایه سازی: 29 دی 1384
چکیده مقاله:
در این تحقیق، توانایی برآورد شبکه عصبی مصنوعی در میزان حداکثر عمق آبشستگی حول آبشکن بررسی می شود. محاسبه میزان حداکثر عمق آبشستگی یکی ازمسائل اساسی در طراحی آبشکنهاست. پیچیدگی الگوی جریان حول آبشکنها و گوناگونی عوامل موثر بر آبشستگی، موجب تعدد روابط کاربردی و کاهش دامنه هر یک از آنها بدلیل محدودیت شرایط آزمایشگاهی می شود. شبکه های عصبی مصنوعی با شبیه سازی عملکرد مغز انسان، توانمندی شگرفی در بازیابی روابط ذاتی میان داده ها و شناسایی نگاشتهای درونی میان فضاهای داده ای دارند، لذا در این تحقیق سعی شده است با تبیین ویژگیهای نگاشتهای مستقل از مدل، روش جدیدی مبتنی بر شبکه های عصبی مصنوعی برای حل مساله ارائه گردد که در آن با آموزش شبکه ای از نوع توابع چند لایه پرسپترون (MLP) همراه با قانون یادگیری پس انتشار خطا، راهکاری برای تخمین حداکثر عمق آبشستگی تبیین شود. شبکه های عصبی مصنوعی برای تعمیم دقیق روابط میان داده ها، نیازمند آموزش با داده های با دامنه وسیع دارد. برای آموزش و آزمون شبکه از 480 سری داده استفاده شد و مجموعه داده ها شامل آبشکنهای دیواره قائم، پره ای و جداره شیبدار و تغییر سایر متغیرهای اثر گذار می باشد. مقایسه نتایج برآورد شبکه، قدرت بسیار خوب تخمین آن را نسبت به سایر روشهای تجربی نشان میدهد.
کلیدواژه ها:
نویسندگان
مرضیه آذردرخش
کارشناس ارشد عمران آب دانشگاه تربیت مدرس، تهران
مسعود قدسیان
استاد بخش عمران، دانشکده فنی و مهندسی ، دانشگاه تربیت مدرس، تهران
حمیدرضا نوروزی
کارشناس ارشد عمران آب دانشگاه تربیت مدرس، تهران
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 :