تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,020 |
تعداد مشاهده مقاله | 52,486,939 |
تعداد دریافت فایل اصل مقاله | 15,213,940 |
ارزیابی ضریب شدت جریان در سرریزهای جانبی لبهتیز با مقاطع مستطیلی و مثلثی | ||
دانش آب و خاک | ||
مقاله 4، دوره 25، شماره 4 بخش 1، اسفند 1394، صفحه 47-56 اصل مقاله (483.85 K) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
هانی تبریزی* 1؛ روحالله فتاحی2؛ بهزاد قربانی3 | ||
11- دانشآموخته کارشناسی ارشد سازههای آبی، دانشکده کشاورزی، دانشگاه شهرکرد | ||
22- استادیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه شهرکرد | ||
33- دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه شهرکرد | ||
چکیده | ||
سرریزهای جانبی از سازههای حفاظتی و انحراف جریان هستند که در شبکههای آبیاری و زهکشی و سیستمهای فاضلاب شهری بهکار میروند. در تحقیق حاضر ضریب شدت جریان سرریزهای جانبی لبهتیز با مقاطع عرضی مستطیلی و مثلثیبررسی شده و عوامل تأثیرگذار بر روی این پدیده با استفاده از تحلیل ابعادی و روشهای آماری شناسایی گردید. همچنین در ادامه معادلاتی جهت محاسبه ضریب شدت جریان این دو شکل از سرریز با خطایی در حدود 5 درصد برای سرریز مستطیلی و 3 درصد برای سرریز مثلثی ارائه شد. بهمنظور بررسی تأثیر هر کدام از عوامل بر روی این پارامتر نیز تحلیل حساسیت ضریب جریان صورت گرفت. نتایج حاصل نشان میدهد مهمترین عوامل مؤثر بر ضریب شدت جریان سرریزهای مستطیلی و مثلثی بهترتیب عدد فرود و عرض کانال اصلی به عمق جریان در بالادست سرریز میباشند. با در نظر نگرفتن این عوامل خطای برآورد ضریب شدت جریان در محاسبات تا 7 درصد برای سرریز مستطیلی و 4 درصد برای سرریز جانبی مثلثی افزایش خواهد یافت. همچنین برآورد دقیق ضریب شدت جریان، تنها با در نظر گرفتن شرایط هیدرولیکی بالادست مناسب نمیباشد. ساختمان و شکل مقطع عبوری جریان نیز تأثیر بسزایی بر این پارامتر خواهد داشت بهطوریکه این نگرش، تا 3 درصد میزان خطا را کاهش خواهد داد. | ||
کلیدواژهها | ||
تحلیل ابعادی؛ تحلیل حساسیت؛ سرریز جانبی؛ سرریز لبه تیز؛ ضریب شدت جریان | ||
مراجع | ||
منابع مورد استفاده بانژاد ح، کمالی م، امیر مرادی ک و علیائی ا، 1392. تخمین برخی پارامترهای کیفی رودخانهها با استفاده از مدل هیبرید شبکههای عصبی-موجکی (منطقه مطالعاتی: رودخانه جاجرود تهران و قره سو کرمانشاه). مجله سلامت و محیط، جلد 6، شماره 3، صفحههای 277 تا 294. بذرافشان ا، سلاجقه ع، مهدوی م، بذر افشان ج و فاتحی مرج ا، 1393. بررسی کارآیی مدلهای هیبرید شبکه عصبی مصنوعی-استوکاستیک در پیشبینی خشکسالیهای هیدرولوژیکی با استفاده از آماره کاپا (مطالعه موردی: حوزه آبخیز رودخانه گاماسیاب). علوم ومهندسی آبخیزداری ایران، جلد 8، شماره 27، صفحههای 35 تا 48. ستاری مت، عباسقلی نائبزاد م و میر عباسی نجف آبادی ر، 1393. پیشبینی کیفیت آبهای سطحی با استفاده از روش درخت تصمیم. مهندسی آبیاری و آب، جلد 4، شماره 15، صفحههای 76 تا 88. شهرابی ج و ذوالقدر شجاعی ع، 1390. دادهکاوی پیشرفته، انتشارات جهاد دانشگاهی واحد صنعتی امیرکبیر. میرزاوند م، قاسمیه ه، ساداتینژاد سج و اکبری م، 1394. مقایسه مدلهای شبکه عصبی مصنوعی و رگرسیون چندمتغیره در تخمین تغییرات کیفی آب زیرزمینی (مطالعه موردی: آبخوان کاشان). دانش آب و خاک، جلد 25، شماره 2، صفحههای 207 تا 220. Anonymous, 1954. Diagnosis and Improvement of Saline and Alkali Soils: U.S. Dept. Agric. Handbook No.60, 160 p. Chebud Y, Naja GM, Rivero RG and Mellese AM, 2012. Water quality monitoring using remote sensing and artificial neural network. Water, Air and Soil Pollution 223: 4875-4887. Dogan E, Sengorur B and Koklu R, 2009. Modeling biological oxygen demand of the Melen river in Turkey using an artificial neural network technique. Journal of Environmental Management 90: 1229-1235. Kumar MN, Murthy CS, Sesha Sai MVR and Roy PS, 2009. On The use of standardized precipitation index (SPI) for drought intensity assessment. Meteorological Applications 16: 381- 389. Modaresi F, Araghinejad S, 2014. A comparative assessment of support vector machines, probabilistic neural networks and K-nearest neighbors algorithms for water quality classification. Water Resources management 28: 4095-4111. Saghebian SM, Sattari MT, Mirabbasi R and Pal M, 2014. Ground water quality classification by decision tree method in Ardebil region, Iran. Arabian Journal of Geosciences 7(11): 4767-4777. Sahu M, Mahapatra SS, Sahu HB and Patel RK, 2011. Prediction of water quality index using neuro fuzzy inference system. Water Quality, Exposure and Health 3: 175-191. Sattari MT, Rezazazadeh Joudi A and Kusiak A, 2015. Estimation of water quality parameters with data-driven models. American Water Works Association 108(4): 232-239. Sengorur B, Koklu R and Ates A, 2015. Water quality assessment using artificial intelligence techniques: SOM and ANN- A case study of Melen River. Water Quality, Exposure and Health 7(4): 469-490. Vapnik VN, 1995. The Nature of Statistical Learning Theory. Springer-Verlag, New York. Yang Su M, 2011. Real-Time anomaly detection systems for denial-of-service attacks by weighted K-nearest neighbor classifiers. Expert Systems with Applications 38: 3492–3498. | ||
آمار تعداد مشاهده مقاله: 1,969 تعداد دریافت فایل اصل مقاله: 1,011 |