تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,020 |
تعداد مشاهده مقاله | 52,489,748 |
تعداد دریافت فایل اصل مقاله | 15,217,384 |
مدل سازی طول پر ش هیدرولیکی بر روی بسترهای زبر شیب دار با استفاده از سیستم استنباط فازی عصبی تطبیقی - الگوریتم ژنتیک | ||
دانش آب و خاک | ||
مقاله 15، دوره 29، شماره 4، دی 1398، صفحه 189-201 اصل مقاله (926.07 K) | ||
نویسندگان | ||
امیر علیزاده1؛ فریبرز یوسفوند* 2؛ احمد رجبی2 | ||
1دانشجوی دکتری منابع آب، گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران | ||
2استادیار گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران | ||
چکیده | ||
< p>معمولاً تبدیل سریع رژیم فوق بحرانی جریان به زیر بحرانی با پرش هیدرولیکی همراه است. این پدیده به طور کلی بعد از سازههای هیدرولیکی از قبیل سرریز اوجی بهوقوع میپیوندد. یکی از مهمترین پارامترهای پرش هیدرولیکی که در تعیین ابعاد حوضچههای آرامش استفاده میشود، طول پرش هیدرولیکی است. در مطالعه حاضر، یک روش ترکیبی برای پیشبینی طول پرش هیدرولیکی بر روی بستر زبر شیبدار توسعه داده میشود. بهعبارت دیگر، روش حاضر با ترکیب روشهای سیستم استنباط فازی عصبی تطبیقی با الگوریتم ژنتیک (ANFIS-GA) ارائه شده است. در این مطالعه، بهمنظور سنجش عملکرد مدلهای ANFIS- GA از شبیهسازی مونت کارلو استفاده میگردد. در ابتدا، پارامترهای مؤثر بر روی طول پرش هیدرولیکی که شامل عدد فرود جریان، نسبت زبری بستر، نسبت اعماق مزدوج و شیب بستر شناسایی میشود. سپس با توجه به پارامترهای مذکور پنچ مدل ANFIS-GA تعریف میشود. در ادامه، نتایج مدلهای پنجگانه ANFIS-GA مورد بررسی قرار میگیرد که با تجزیه و تحلیل نتایج مدلسازی، مدل برتر معرفی شد. مدل برتر، مقادیر آزمایشگاهی را با دقت قابل قبولی پیشبینی میکند. بهعنوان مثال مقادیر درصد میانگین مطلق خطا، خطای جذر میانگین مربعات برای این مدل بهترتیب مساوی 520/4 و 781/0 محاسبه گردیده است. همچنین نتایج مدلسازی نشان میدهد که عدد فرود جریان در بالادست پرش هیدرولیکی موثرترین پارامتر در مدلسازی طول پرش هیدرولیکی بر روی بستر زبر شیبدار با استفاده از مدل ANFIS-GA است. | ||
کلیدواژهها | ||
الگوریتم ژنتیک؛ بستر زبر شیبدار؛ سیستم استنباط فازی- عصبی تطبیقی؛ پرش هیدرولیکی؛ مدل ترکیبی | ||
مراجع | ||
Abbaspour A, 2013. Prediction of Hydraulic Jump Characteristics on Rough Bed Using Artificial Neural Network and Genetic Programming. Journal of Water and Soil Science- University of Tabriz, 24(2): 1-10.
Abbaspour A, Farsadizadeh D and Ghorbani MA, 2013. Estimation of hydraulic jump on corrugated bed using artificial neural networks and genetic programming. Water Science and Engineering 6(2): 189-198.
Azimi H, Bonakdari H, Ebtehaj I and Michelson DG, 2018. A combined adaptive neuro-fuzzy inference system–firefly algorithm model for predicting the roller length of a hydraulic jump on a rough channel bed. Neural Computing and Applications 29 (6): 249-258.
Bradley JN and Peterka AJ, 1957. The hydraulic design of stilling basins: hydraulic jumps on a horizontal apron (Basin I). Journal of the Hydraulics Division ASCE 83(5): 1-24.
Carollo F, Ferro V and Pampalone V, 2007. Hydraulic jumps on rough beds. Journal of Hydraulic Engineering ASCE 133(9): 989-999.
Carollo F, Ferro V and Pampalone V, 2009. New solution of classical hydraulic jump. Journal of Hydraulic Engineering ASCE 135(6): 527-531.
Carollo F, Ferro V and Pampalone V, 2012. New expression of the hydraulic jump roller length. Journal of Hydraulic Engineering ASCE 138(11): 995-999.
Ead SA and Rajaratnam N, 2002. Hydraulic jumps on corrugated beds. Journal of Hydraulic Engineering ASCE 128(7): 656-663.
Ezizah G, Yousif N and Mostafa S, 2012. Hydraulic jumps in new roughened beds. Asian Journal of Applied Sciences 5(2): 96-106.
Hager WH, Bremen R and Kawagoshi N, 1990. Classical hydraulic jump: length of roller. Journal of Hydraulic Research 28(5): 591-608.
Houichi L, Dechemi N, Heddam S and Achour B, 2013. An evaluation of ANN methods for estimating the lengths of hydraulic jumps in U-shaped channel. Journal of Hydroinformatics 15(1): 147-154.
Holland JH, 1975. Adaptation in Natural and Artificial System. University of Michigan Press, Ann Arbor.
Hughes W and Flack J, 1984. Hydraulic jump properties over a rough bed. Journal of Hydraulic Engineering ASCE 110(12): 1755-1771.
Jang JSR, 1993. ANFIS: adaptive-network-based fuzzy inference system. Systems, Man and Cybernetics, IEEE Trans. on, 23(3): 665-685.
Jang JSR, Sun CT and Mizutani E, 1997. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Prentice Hall, N. J.
Kumar M and Lodhi AS, 2016. Hydraulic jump over sloping rough floors. ISH Journal of Hydraulic Engineering 22(2): 127-134.
Leutheusser HJ and Schiller EJ, 1975. Hydraulic jump in a rough channel. Water Power Dam Constr 27(5):186-191.
Naseri M and Othman F, 2012. Determination of the length of hydraulic jumps using artificial neural networks. Advances in Engineering Software 48:27-31.
Omid MH, Omid M and Esmaeeli VM, 2005. Modelling hydraulic jumps with artificial neural networks. Proceedings of the Institution of Civil Engineers Water Management 158 (2): 65–70.
Parsamehr P, Farsadizadeh D, Hosseinzadeh Dalir A, Abbaspour A and Nasr Esfahani MJ, 2016. Investigation of Hydraulic Jump Characteristics on Rough Bed with Different Density and Arrangements of Roughness Elements. Journal of Water and Soil Science- University of Tabriz, 26(1): 13-24.
Pagliara S, Lotti I and Palermo M, 2008. Hydraulic jump on rough bed of stream rehabilitation structures. Journal of Hydro-environment Research 2(1): 29-38.
Pourabdollah N, Honar T and Fatahi R, 2014. Investigation of Water Velocity and Surface Profile in Hydraulic Jump over Rough Bed with Adverse Slope. Journal of Water and Soil Science- University of Tabriz, 25(1): 143-152.
Rajaratnam N, 1968. Hydraulic jumps on rough beds. Transactions of the Engineering Institute of Canada 11(A-2): 1-8.
Shafaii Bejestan MS and Neisi K, 2009. A new roughened bed hydraulic jump stilling basin. Asian Journal of Applied Sciences 2: 436-45.
| ||
آمار تعداد مشاهده مقاله: 356 تعداد دریافت فایل اصل مقاله: 241 |