تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,020 |
تعداد مشاهده مقاله | 52,489,433 |
تعداد دریافت فایل اصل مقاله | 15,216,978 |
بررسی تاثیر مشخصات جریان و ذرات رسوبی بر انتقال رسوبات ماسهای در مقاطع دایروی با استفاده از روشهای دادهگرا | ||
دانش آب و خاک | ||
مقاله 6، دوره 30، شماره 4، دی 1399، صفحه 75-87 اصل مقاله (772.03 K) | ||
شناسه دیجیتال (DOI): 10.22034/ws.2020.11649 | ||
نویسنده | ||
رامین وفایی پورسرخابی* | ||
گروه عمران، دانشکده فنی، دانشگاه آزاد اسلامی، واحد تبریز | ||
چکیده | ||
پدیدهی رسوبگذاری به دلیل تاثیر آن در ظرفیت انتقال و عملکرد هیدرولیکی سازههای انتقال آب به عنوان یکی از مسائل مهم در مهندسی آب تلقی میشود. با توجه به تاثیر عوامل مختلف در پیشبینی میزان انتقال بار رسوبی، تعیین دقیق پارامترهای تاثیرگذار کاری دشوار و پیچیده است. در تحقیق حاضر کارایی روشهای هوشمند رگراسیون فرآیند گاوسی (GPR) و سیستم استنتاج عصبی- فازی انطباقی (ANFIS) در پیشبینی رسوبات ماسهای در لولههای دایروی شکل با بستر زبر و غیر زبر مورد ارزیابی قرار گرفت. بدین منظور با استفاده از چندین سری دادهی آزمایشگاهی، مدلهای متفاوتی با در نظر گرفتن تاثیر پارامترهای هیدرولیکی و مشخصات ذرات رسوبی تعریف گردیده و در لولههای با بستر زبر و غیر زبر مورد ارزیابی قرار گرفت. نتایج حاصله دقت بالای روش بهکار رفته در تحقیق را به اثبات رساند. مطابق با نتایج در برآورد مقدار بار رسوبی تنها استفاده از پارامترهای هیدرولیکی منجر به جوابهای دقیقی نمیگردد و مشخصات ذرات رسوبی نیز در تخمین این پارامتر تاثیرگذار است. با انجام آنالیز حساسیت مشخص شد که عدد فرود ذرات رسوبی تاثیرگذارترین پارامتر در تخمین بار رسوبی در لولههای دایروی شکل است. همچنین نتایج حاصله نشان داد که زبری بستر و دیوارههای لوله بر انتقال ذرات رسوبی موثر بوده و افزایش زبری باعث کاهش دقت نتایج میگردد. | ||
کلیدواژهها | ||
بستر زبر؛ رسوبات ماسهای؛ روش داده گرا؛ ظرفیت انتقال؛ لولههای دایروی شکل | ||
مراجع | ||
ASCE, Task Committee on Application of Artificial Neural Networks in Hydrology.2000. Artificial Neural Networks in Bertrand JL.2010. Sewer sediment production and transport modeling: A literature review. Journal of Hydraulic Bong CH, 2014. Self-cleansing design of rectangular open storm sewer. 13th International Conference on Urban El-Zaemey AK.1991. Sediment transport over deposited beds in sewers. Ph. D Thesis, University of Newcastle Falamaki A, Eskandari M, Baghlani A, Ahmadi SA,2013. Modeling total sediment load in rivers using artificial neural Ghani A.1993.Sediment Transport in Sewers. Ph. D Thesis, University of Newcastle Upon Tyne, UK. Jang JR, 1993.ANFIS: Adaptive Network-Based Fuzzy Inference System, Proc., IEEE Conf. Transactions on Systems Man and Cybernetics 23: 665-685. Laursen EM.1956. The Hydraulics of a Storm-Drain System for Sediment Transporting Flow. Bull. No 5, Lowa May RW.1982. Sediment transport in sewers. Hydraulic Research Station, Wallingford, England, Report IT 222. Mayerle R.1988. Sediment transport in rigid boundary channels. PhD thesis. University of Newcastle upon Tyne Ota JJ, Perrusquia GS. 2013.Particle velocity and sediment transport at the limit of deposition in sewers. Water Renaat D.S. 2013.Validation of existing bed load transport formulas using In-Sewer sediment. Journal of Rezazadeh-Joudi, A, Sattari, MT, 2016. Estimation of scour depth of piers in hydraulic structures using gaussian process Regression, Journal of Applied Research in Irrigation and Drainage Structures Engineering 65(16): 19-36(In Persian) Roushangar K.2014. Modeling river total bed material load discharge using artificial intelligence approaches Siviapragasam C, Liong S.2001. Rainfall and runoff forecasting with SSA-SVM approach. Journal of Vongvisessomjai N.2010. Non-deposition design criteria for sewers with part-full flow. Urban Water Journal 7(1): | ||
آمار تعداد مشاهده مقاله: 413 تعداد دریافت فایل اصل مقاله: 269 |