تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,020 |
تعداد مشاهده مقاله | 52,486,714 |
تعداد دریافت فایل اصل مقاله | 15,213,788 |
تخمیـن فشار متوسط دینامیکی در جریانهای دوفازی آب و هوا با استفاده از شبکه-های عصبی مصنوعی و سیستم عصبی- فازی تطبیقی | ||
نشریه مهندسی عمران و محیط زیست دانشگاه تبریز | ||
مقاله 7، دوره 48.2، شماره 91، شهریور 1397، صفحه 71-80 اصل مقاله (1.01 M) | ||
نوع مقاله: مقاله کامل پژوهشی | ||
شناسه دیجیتال (DOI): 10.22034/ceej.2018.7911 | ||
نویسندگان | ||
فائزه مقدس1؛ عبدالرضا کبیری سامانی* 2؛ مریم ذکری3 | ||
1دانشکده مهندسی عمران، دانشگاه صنعتی اصفهان | ||
2دانشکده عمران، دانشگاه صنعتی اصفهان | ||
3دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی اصفهان | ||
چکیده | ||
جریان دوفازی در سازههای گوناگون از جمله سیستمهای انتقال آب و خطوط لوله دریایی انتقال نفت و در سازههای هیدرولیکی از جمله سرریزهای نیلوفری، شفتهای قائم، کالورتها و تونلها و مجاری بسته اتفاق میافتد. پیشبینی فشار دینامیکی در جریانهای دوفازی جهت طراحی بهینه و مناسب و جلوگیری از وقوع مشکلات ناخواسته در اثر ایجاد جریانهای دوفازی امری ضروری است. در این تحقیق مدلهایی جامع جهت پیشبینی فشار دینامیکی در جریانهای دوفازی آب و هوا با استفاده از شبکههای عصبی و سیستم عصبی- فازی تطبیقی (انفیس) ارائه میشود. از آنجایی که مدل انفیس در مواجهه با فرآیندهای پیچیده با تعداد پارامترهای زیاد، قوانین زیادی تولید میکند و حجم محاسبات را بیشتر میکند، استفاده از پیشپردازش خوشهبندی فازی کارآیی مدل انفیس را بیشتر و حجم محاسبات را کمتر میکند. استفاده از آلگوریتم بهینهسازی ازدحام ذرات یکی دیگر از تکنیکهای بهبود نتایج در این تحقیق است. در این پژوهش برای تنظیم وزنها و بایاسهای شبکههای عصبی از آلگوریتم ازدحام ذرات استفاده شده است. در مدلهای انفیس نیز در رابطه با تنظیم پارامترها، الگوریتم ترکیبی ازدحام ذرات و حداقل مربعات استفاده شده است. در این بررسی مشخص شد که نتایج حاصل از مدلهای انفیس همراه با پیشپردازش خوشهبندی فازی و آلگوریتم بهینهسازی ازدحام ذرات دارای دقت بالاتری هستند. | ||
کلیدواژهها | ||
فشار متوسط؛ جریان دوفازی؛ عصبی- فازی؛ ازدحام ذرات | ||
مراجع | ||
باقری س، قیصری م، ایوبی ش، لوایی ن، "پیشبینی عملکرد ذرت علوفهای با استفاده از شبکههای عصبی مصنوعی"، مجله پژوهشهای تولید گیاهی، 1391، جلد نوزدهم، شماره چهارم، 77-95. کبیری سامانی عر، برقعی سم، سعیدی مح، "بررسی آزمایشگاهی نوسانات فشار در مقطع مجاری آببر حاوی جریان ناپایار آب و هوا"، مجله استقلال، 1384، سال 22، شماره 2، 69-86. De Maesschalk R, Jouan-Rimbaud D, Massart DL, “The mahalanobis distance”, Chemometrics and Intelligent LaboratorySystems, 2000, 50(1), 1-18. Eberhart RC, Kennedy J, “A new optimizer using particle swarm theory”, Sixth International Symposium on Micro Machine and Human Science, IEEE Service Center, Piscataway, NJ,1995, 39-43. Fan S, Yan T, “Two-phase air-water slug flow measurement in horizontal pipe using conductance probes and neural networks”, IEEE Transaction on Instrumentation and Measurement, 2014, 63(2), 456-466. Jang JSR, Sun CT, Mizutani E, “Neuro-Fuzzy modeling and soft computing”, Prentice Hall, Englewood Cliffs, 1997. Kabiri-Samani AR, Borghei SM, Saidi MH, “Fluctuations of air-water two-phase flow in horizontal and inclined water pipelines”, Journal of fluid Engineering. ASME, 2007, 129(1), 1-14. Kabiri-Samani AR, Borghei SM, “Pressure loss in a horizontal two-phase slug flow”, Journal of Fluids Engineering, 2010, 132(7). Martin CS, “Entrapped air in pipelines”, Proceedings of the 2nd International Conference on Pressure Surges, BHRA Fluid Engineering, Cranfield, Bedford, England,1976. Mishima K, Hibiki T, “Some characteristics of air-water two-phase flow in small diameter vertical tubes”, International Journal of Multiphase Flow, 1996, 22(4), 703-712. Rodriguez JD, Perez A, Lozano JA, “Sensitivity analysis of k-fold cross validation in prediction error estimation”, Pattern Analysis and Machine, 2009, 32(3), 569-575. Rosa E, Salgado RM, Ohishi T, Mastelari N, “Performance comparison of artificial neural networks and expert systems applied to flow pattern identification in vertical ascendant gas-liquid flows”, International Journal of Multiphase Flow, 2010, 36(9), 738-754. Sebakhi E, “Flow regimes identification and liquid holdup prediction in horizontal multiphase flow based on neuro-fuzzy inference systems”, Mathematics and Computers in Simulation, 2010, 80(9), 1854-1866. Shi L, “Fuzzy recognition for gas-liquid two- phase flow pattern based on image processing”, Control and Automation, IEEE International Confrance on Control and Automation, 2007, DOI: 10.1109/ICCA.2007.4376595, pp.1424-1427. Shi Y, Eberhart RC, “Parameter Selection in particle swarm optimization”, Evolutionary Programming, 1998, 1447, 591-600. StatSoft T, “Electronic Statistics Textbook”, 2007. www.statsoft.com/textbook Xu Y, Frang X, “A New correlation of two-phase frictional pressure drop for condensing flow in pipes”, Nuclear Engineering and Design, 2013, 263, 87-96. Xu Y, Su X, Zhou Z, Chen W, “Evalution of frictional pressure drop correlations for two-phase flow in pipes”, Nuclear Engineering and Design, 2012, 253, 86-97. Yan C, Yan C, Sun L, Wang Y, Zhang X, “Slug behavior and pressure drop of adiabatic slug flow in a narrow rectangular duct under inclined conditions”, Annals of Nuclear Energy, 2014, 64, 21-31. Zhang W, Hibiki K, Mishima K, “Correlations of two-phase frictional pressure drop and void fraction in mini channel”, International Journal of Heat and Mass, 2010, 53(1-3), 453-465.
| ||
آمار تعداد مشاهده مقاله: 367 تعداد دریافت فایل اصل مقاله: 440 |