تعداد نشریات | 44 |
تعداد شمارهها | 1,301 |
تعداد مقالات | 15,902 |
تعداد مشاهده مقاله | 52,146,723 |
تعداد دریافت فایل اصل مقاله | 14,915,407 |
تخمین ضریب پخش طولی آلاینده ها در مجاری روباز با استفاده از شبکه عصبی مصنوعی | ||
دانش آب و خاک | ||
مقاله 16، دوره 26، شماره1 بخش 2، خرداد 1395، صفحه 225-238 اصل مقاله (250.95 K) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
الهام ایزدی نیا1؛ عالیه سعادت پور2؛ منوچهر حیدرپور3 | ||
1استادیار گروه مهندسی عمران، دانشگاه شهید اشرفی اصفهانی (ره) | ||
2دانشجوی دکترای گروه علوم و مهندسی آب، دانشگاه فردوسی مشهد | ||
3استاد گروه مهندسی آب، دانشگاه صنعتی اصفهان | ||
چکیده | ||
انتقال طولی آلاینده ها یکی از مراحل مهم در فرآیند رقیق سازی آلاینده ها میباشد که شناخت آن از اهمیت ویژهای برخوردار است. دشواری اندازه گیری ضریب انتشار طولی در رودخانهها نیاز به استفاده از روشهای مناسب مدلسازی در پیشبینی این ضریب را بیشتر میکند. یکی از روشهای کارآمد مدل سازی شبکه عصبی مصنوعی است که یکی از تکنیکهای هوش مصنوعی محسوب میشود. در این مدل بدون استفاده از معادلات پیچیده غیرخطی، میتوان دینامیک حاکم بر سیستم را استخراج نموده و از این طریق، خروجی مدل را پیشبینی نمود. در این مطالعه ضریب انتشار طولی با توجه به مقادیر پارامترهای هیدرولیکی و هندسی رودخانه ها به عنوان پارامترهای ورودی و با استفاده از شبکه عصبی مصنوعی پیش بینی گردید. نتایج نشان داد شبکه پرسپترون پیشخور، پس انتشار خطا از دقت مناسبی برای تخمین ضریب پخش طولی آلودگی برخوردار است. نتایج تحلیل ترکیب پارامترهای ورودی نشان داد که با لحاظ نسبت سرعت به سرعت 0 % و در صورت لحاظ / 0 و تابع خطا برابر 87 / برشی بهعنوان پارامتر ورودی مدل، میزان ضریب تعیین همبستگی 84 1/ 0 و تابع خطا برابر 01 / نسبت عرضجریان به عمق جریان بهعنوان پارامتر ورودی، میزان ضریب تعیین همبستگی 7 % حاصل شد. بنابراین نسبت سرعت بهسرعت برشی یا ضریب زبری دارای تأثیر بیشتری بر ضریب انتشار طولی است. روشارائهشده در این تحقیق رهیافتی کارآمد در تخمین ضریب پخش طولی آلودگی در رودخانه ها محسوب شده و قابلیت ترکیب با سایر مدلهای پخش آلودگی را دارا میباشد. | ||
کلیدواژهها | ||
آلاینده؛ انتقال آلودگی؛ شبکه عصبی مصنوعی؛ ضریب پخش طولی؛ کانال باز | ||
مراجع | ||
منابع مورداستفاده افضلیمهر ح و حیدرپور م، 1380. مبانی هیدرودینامیک کانالهای باز. انتشارات ارکان. اکبرزاده ع، نوری ر، فرخ نیا ا، خاکپور ا و صباحی م، 1389. تحلیل دقت و عدم قطعیت مدلهای هوشمند در پیشبینی ضریب انتشار طولی رودخانهها. مجله آب و فاضلاب، شماره 3، صفحههای 99 تا 107. ایزدینیا ا و عابدی ج، 1390. تعیین ضریب پراکندگی طولی آلودگی در رودخانهها. مجله تحقیقات منابع آب ایران، سال 7، شماره 1، صفحههای 59 تا 66. پورآبادهای م، تکلدانی م، و لیاقت ع، 1386. بررسی تأثیر پارامترهای جریان بر ضریب پخش آلودگی در کانال مستطیلی. صفحه های 29 تا 38 مجموعه مقالات ششمین کنفرانس هیدرولیک ایران، شهریورماه، شهرکرد. ریاحی مدوار ح، و ایوبزاده ع، 1387. تخمین ضریب پراکندگی طولی آلودگی با استفاده از سیستم استنتاج فازی-عصبی انطباقی. مجله آب و فاضلاب، شماره67، صفحههای 34 تا 46. شریفی م و صالحی م، 1384. کاربرد شبکههای عصبی در پِیشبینی جریان رودخانه در حوزه معرف کارده. پروژه تحقیقاتی شرکت سهامی مدیریت منابع آب ایران. Ahsan N, 2013. An ANN based approach to estimate longitudinal dispersion coefficient using dimensionally consistent input parameters. Res and Dev (IJCSEIERD) 3(2): 205-212. Fischer HB, 1968. Dispersion predictions in natural streams. J Sanit Eng ASCE 94: 927–43. Fischer HB, List EJ, Koh RCY, Imberger J, and Brooks NH, 1979. Mixing in Inland and Coastal Waters. Academic Press, New York: 104–138. Iwasa Y and Aya S, 1991. Predicting longitudinal dispersion coefficient in open channel flows. Pp. 505–510. In: Proceedings of the internation symposium on environmental hydraulics, Hong Kong. Kashefipour MS and Falconer RA, 2002. Longitudinal dispersion coefficients in natural channels. Water Resour Res 36(6):1596–1608. Liu H, 1977. Predicting dispersion coefficient of streams. J Environ Eng Div 103(1): 59–69. McClelland J, and Rumelhart D, 1986. Biol Mech 327-331. McQuivey RS and Keefer TN, 1974. Simple method for predicting dispersion in streams. J Environ Eng ASCE 100: 997–1011. Noori R, Karbassi AR, Mehdizadeh H, Vesali‐Naseh M and Sabahi MS, 2011. A framework development for predicting the longitudinal dispersion coefficient in natural streams using an artificial neural network. Environ Prog and Sus Ener 30(3): 439-449. Rosenblatt F, 1962. Principles of Neurodynamics. Spartan Books, New York. Sahay RR and Dutta S, 2009. Prediction of longitudinal dispersion coefficients in natural rivers using genetic algorithm. Hydraul Res 40(6): 544–552. Sahay RR, 2011. Prediction of longitudinal dispersion coefficients in natural rivers using artificial neural network. Environ Fluid Mech 11: 247–261 Seo IW and Cheong TS, 1998. Predicting longitudinal dispersion coefficient in natural streams. J Hydraul Eng. ASCE 124(1): 25–32. Tayfur G and Singh VP, 2005. Predicting longitudinal dispersion coefficient in natural streams by artificial neural network. J Hydraul Eng ASCE, 131(11): 991-1000. Taylor G, 1954. The dispersion of matter in turbulent flow through a pipe. Proc R Soc London A223: 446–68. Toprak ZF and Cigizoglu HK, 2008. Predicting longitudinal dispersion coefficient in natural streams by artificial intelligence methods. Hydrol Process 22(20): 4106–4129. Toprak ZF, Hamidi N, Kisi O and Gerger R, 2014. Modeling dimensionless longitudinal dispersion coefficient in natural streams using artificial intelligence methods. KSCE J Civil Eng. 18(2): 718-730.
| ||
آمار تعداد مشاهده مقاله: 1,483 تعداد دریافت فایل اصل مقاله: 948 |