برآورد حداكثر عمق آبشستگی حول آبشكنها با استفاده از شبكه عصبی مصنوعی|وی اف/خرید اینترنتی فایل/50037241|vfm34024180|
با ما باشید با یکی دیگر از فایل های قابل دانلود با عنوان : برآورد حداكثر عمق آبشستگی حول آبشكنها با استفاده از شبكه عصبی مصنوعی

⚡دانلود

سرفصل ارائه مقاله: هیدرولیک رودخانه ها


سال انتشار: ۱۳۸۷


نوع ارائه: شفاهی


محل انتشار:هفتمین کنفرانس هیدرولیک ایران


کد COI مقاله: IHC07_104


زبان مقاله: فارسی


حجم فایل: ۲۰۹.۷۸ کلیوبایت (این مقاله دارای فول تکست است و می توانید فایل آن را دریافت نمایید)

مشخصات نویسندگان مقاله برآورد حداکثر عمق آبشستگی اطراف آبشکن L- شکل با استفاده از شبکه عصبی مصنوعی و فازی عصبی
سید فضل الله هاشمی نجفی - دانش آموخته کارشناس ارشد سازه های آبی دانشگاه تربیت مدرس تهران
سیدعلی ایوب زاده - استادیار دانشگاه تربیت مدرس تهران
امیر احمد دهقانی - استادیار دانشگاه علوم کشاورزی و منابع طبیعی گرگان
رسول ازبرمی - کارشناس مهندسی آب

چکیده مقاله:
احداث سازه های نظیر آبشکن در مقابل جریان، باعث ایجاد جریان آشفته ی چرخشی و گردابی در اطراف آن خواهد شد. این جریان های گردابی به همراه تمرکز شدید سرعتها و آشفتگی در دماغه بالا دست مکانیزم اصلی آبشستگی موضعی به حساب می آیند. از جمله مسائل مهم در طراحی آبشکن ها، پدیده آبشستگی موضعی دماغه آنها می باشد که به علت تنگ شدگی مقطع جریان و وجود گردابه های قوی بوجود می آید و یکی از شاخص‌های مهم در تعیین مشخصات حفره ی آبشستگی، حداکثر عمق آبشستگی می باشد. از اوایل سال 1930 تا کنون محققین مختلف، بررسی های آزمایشگاهی و مشاهدات تجربی گوناگونی را برای تعیین حداکثر عمق آبشستگی و امکان پیش بینی آن با استفاده از معادلات حاصل از بررسی های آزمایشگاهی انجام داده اند که می توان به احمد (1951)، ایزارد و برادلی (1957)، لیو و همکاران (1961)، زاغلول (1983)، مل ویل (1992)، اتما و موسته (2004) اشاره کرد. پیچیدگی الگوی جریان حول آبشکن‌ها و گوناگونی عوامل مؤثر بر آبشستگی، موجب تعدد روابط کاربردی و کاهش دامنه هر یک از آنها به دلیل محدودیت شرایط آزمایشگاهی می شود. امروزه شبکه های عصبی کاربردهای بسیاری در مسایل مختلف مهندسی آب که رابطه و الگوی مشخصی بین عوامل مؤثر بر وقوع یک پدیده وجود ندارد، پیدا کرده است. لذا در این تحقیق سعی شده است با استفاده از شبکه عصبی مصنوعی به برآورد میزان عمق آبشستگی اطراف آبشکن L- شکل پرداخته شود. برای اموزش شبکه عصبی از داده های آزمایشگاهی استفاده شده است. مقایسه نتایج برآورد شبکه عصبی مصنوعی نشان دهنده قدرت بالای سیستم های هوش مصنوعی در یادگیری و تخمین عقم آبشستگی اطراف این نوع آبشکن می باشد.
کلیدواژه‌ها:
آبشکن L - شکل، شبکه عصبی مصنوعی - آبشستگی
نحوه استناد به مقاله:
در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:

هاشمی نجفی, سید فضل الله؛ سیدعلی ایوب زاده؛ امیر احمد دهقانی و رسول ازبرمی، ۱۳۸۷، برآورد حداکثر عمق آبشستگی اطراف آبشکن L- شکل با استفاده از شبکه عصبی مصنوعی و فازی عصبی، هفتمین کنفرانس هیدرولیک ایران، تهران، انجمن هیدرولیک ایران، دانشگاه صنعت آب و برق

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (هاشمی نجفی, سید فضل الله؛ سیدعلی ایوب زاده؛ امیر احمد دهقانی و رسول ازبرمی، ۱۳۸۷)
برای بار دوم به بعد: (هاشمی نجفی؛ ایوب زاده؛ دهقانی و ازبرمی، ۱۳۸۷)

جزییات بیشتر📜