آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,375 |
| تعداد مقالات | 16,892 |
| تعداد مشاهده مقاله | 54,389,829 |
| تعداد دریافت فایل اصل مقاله | 17,082,671 |
پیشبینی ضریب زبری کانال‌های روباز با بستر فرسایشی با استفاده از سیستم‌های عصبی مصنوعی | ||
| نشریه مهندسی عمران و محیط زیست | ||
| مقاله 2، دوره 45، شماره 80، آذر 1394، صفحه 13-24 اصل مقاله (1.09 M) | ||
| نوع مقاله: مقاله کامل پژوهشی | ||
| نویسندگان | ||
| کیومرٍث روشنگر* 1؛ سعید محمدپور2 | ||
| 1دانشکده مهندسی عمران، دانشگاه تبریز | ||
| 2دانشگاه آزاد اهر | ||
| چکیده | ||
| در هیدرولیک رودخانه‌ها، بستر متحرک بوده و مقاومت در برابر جریان یا ضریب زبری متغیر است. در این حالت، نمیتوان رابطه مقاومت را به طور مستقیم و بدون آگاهی از نحوة تغییر ضریب مقاومت در شرایط مختلف جریان و رسوب، به کار برد. با توجه به تأثیر پارامترهای متعدد در ضریب زبری، تاکنون رابطه قطعی جهت محاسبه ضریب زبری ارائه نشده است. در این تحقیق، ابتدا آزمایشات لازم در کانالی در حالت فرم بستر دون متعادل جهت به دست آوردن دادههای هیدرولیکی مورد نیاز ترتیب داده شد. سپس با استفاده از شبکههای عصبی پیشخور و شعاع مبنا از یک سو و نیز شبکههای عصبی- فازی از سوی دیگر، مقدار ضریب زبری مانینگ برای هر دو حالت بابعد و بیبعد پیشبینی گردید. نتایج حاصله نشان داد که شبکه عصبی قابلیت و کارایی بالایی در شبیهسازی ضریب زبری بستر داشته و مدل عصبی- فازی با وجود کارایی بهتر نسبت به شبکههای شعاع مبنا دارای عملکرد ضعیفتری در مقایسه با شبکه پیشخور است. با توجه به نتایج حاصل از تحلیل حساسیت مشخص شد که پارامتر مستقل Reبرای ضریب زبری با بعد و پارامتر مستقل R/D50برای ضریب زبری بیبعد بیشترین تأثیر را بر روی ضریب زبری دارند. به لحاظ کمی نیز در بهترین حالت ارزیابی آزمون نرمافزار Matlab، برای شبکه پیشخور در حالت با تابع هدف بیبعد 935/0 R= و 908/1 MNE= و در حالت با تابع هدف با بعد 941/0 R=، 04/2 MNE=، برای شبکه شعاع مبنا با تابع هدف بیبعد 8/0R= و 029/0 MNE= و در حالت تابع هدف با بعد 83/0 R= و 0229/0 MNE= و نهایتاً برای شبکه عصبی- فازی در حالت با تابع هدف بیبعد 912/0 R= و 662/2 MNE= و برای حالت با تابع هدف بابعد 922/0 R= و 472/2 MNE= مشاهده گردید که دقت بالای پیش بینیها را نشان میدهد. | ||
| کلیدواژه‌ها | ||
| ضریب زبری مانینگ؛ بستر متحرک؛ شبکههای عصبی پس انتشار؛ شعاع مبنا؛ شبکه‌عصبی– فازی | ||
| مراجع | ||
|
]1 [شفاعیبجستان، م.، "هیدرولیک انتقال رسوب"، دانشگاه شهید چمران اهواز، 1387. ]2 [محمودیان شوشتری، م. ونیسی، ق.، "تخمین ضریب زبری مانینگ در بازهای از کارون بزرگ با روشهای مختلف"، پنجمین کنفرانس هیدرولیک ایران، دانشگاه شهید باهنر کرمان، 17-19 آبان، 1384، ص 1-7. ]3 [لشتهنشایی، م. ا.، حاتمی، م.، "بررسی عوامل مؤثر بر برخی روابط تعیین کننده ضریب زبری"، ششمین کنفرانس هیدرولیک ایران، دانشگاه شهرکرد، 13-15 شهریور، 1386، ص 1-2. [4] Afzalimehr, H., Anctil, F., "Estimation of Gravel-Bed River Flow Resistance", Journal of Hydraulic Engineering, 1998, 124 (10), 1054-1058.
[5] Yuhong, Z., Wenxin, H., "Application of Artificial Neural Network to Predict the Friction Factor of Open Channel Flow", Journal of Communication in Nonlinear Science and Numerical Simulation, 2009, 14, 2373-2378.
[6] Şamandar, A., "A model of Adaptive Neural-Based Fuzzy Inference System (ANFIS) For Prediction of Friction Coefficient in Open Channel Flow", Journal of Scientific Research and Essays, 2011, 6 (5), 1020-1027.
[7] Yen, B. C., "Channel Flow Resistance; Centennial of Manning’s Formula", Water Resources Publications, Colorado, US, 2006.
[8] Kuan, C. M.,. "Artificial Neural Network: An Economic Perspective", Journal of Econometric Reviews, 1994, 13, 1-91.
[9] Haykin, S., "Neural Network: a Comprehensive Foundation", New York, 1994.
[10] Karayiannis, N. B., Venetsanopoulos, A. N., "Artificial Neural Network: Learning Algorithms Performance Evaluation and Applications", Kluwer Academic Publishers, Boston, London, 1993.
[11] Morgan, G. C., "Fuzzy Logic", First Edition, Routledge Encyclopedia of Philosophy, Craig, London, 1998. | ||
|
آمار تعداد مشاهده مقاله: 2,127 تعداد دریافت فایل اصل مقاله: 1,321 |
||