سمینار ارشد عمران سازه های هیدرولیکی: تخمین آبشستگی در پائین دست جت ریزشی
نوشته شده توسط : admin

دانشگاه آزاد اسلامی
واحد تهران جنوب
دانشکده تحصیلات تکمیلی
“M.Sc” پایان نامه برای دریافت درجه کارشناسی ارشد
مهندسی عمران – سازه های هیدرولیکی
عنوان :
تخمین آبشستگی در پائین دست جت ریزشی با استفاده از شبکه عصبی

چکیده
جت های ریزشی در اثر عبور آب روی سازه های هیدرولیکی (سازه هایی چون سرریز وکالورت) بوجود می آیند. محل برخورد جت با بستر به یک کاهنده انرژی جریان تبدیل شده و حفره آبشستگی شکل می گیرد. این پدیده باعث ناپایداری کل یا قسمتی از سازه می شود. فرآیند آبشستگی در خروجی کالورت به عوامل متعددی چون جنس خاک، دبی، شعاع هیدرولیکی، ارتفاع ریزش، عمق پایاب، شیب کالورت و مهمتر از همه زمان وابسته است. از این رو سعی شد از رابطه ای استفاده شود که اثر توأم پارامترهای فوق را نشان دهد.

هر چند تحقیقات بسیاری در خصوص نقش پارامتر زمان در فرایند تشکیل حفره آبشستگی صورت گرفته، ولی در خصوص چگونگی تأثیر آن و اینکه تا چه حد در این فرایند مؤثر است، تا کنون نتایج قابل توجهی حاصل نشده است. در این تحقیق پارامترهای موثر بر ابعاد حفره آبشستگی در دو بخش کلی بررسی شده و جهت برآورد شبکه عصبی مناسبی برای ایجاد رابطه غیر خطی که ابعاد آبشستگی را بر اساس پارامترهای مختلف هیدرولیکی ارائه شده است. برای ایجاد رابطه مناسب و طراحی شبکه عصبی از روش FF با الگوریتم آموزش BP استفاده شده است. بخش اول ، پارامترها به صورت بعد دار و بی بعد در شبکه عصبی در محیط MATLAB مدل شده است. در حالت بی بعد روابط ارائه شده توسط شبکه عصبی با روابط مدل رگرسیونی بدست آمده، مقایسه گردید. در بخش بعدی روابط در دو حالت خاص (پارامترهای رابطه DOT و رابطه اصلاحی DOT توسط مهدوی زاده) ارئه گردید.

نتایج نشان می دهد که رابطه مناسبی بین شبکه ترسیم شده و اطلاعات آزمایشگاهی برآورد شده وجود داشته و شبکه ارائه شده با تعداد نرونهای بالاتر در لایه پنهان در مرحله آموزش دارای دقتی در حدود 8-10 می باشد . مدلهای بی بعد دارای دقت بالاتری نسبت به مدل بعد دار هستند. همچنین مقایسه ای که بین روابط مدل شده با شبکه عصبی و روابط مدل شده با رگرسیون غیر خطی صورت گرفت، دیده شد که شبکه عصبی از دقت قابل ملاحظه ای نسبت به مدل های تجربی رایج برخوردار است. همچنین مقایسه ای بین پارامترهای رابطه DOT و DOT اصلاح شده توسط مهدوی زاده صورت گرفت که به مراتب دقت در پارامترهای اصلاح شده بیشتر است. به طور کلی، بین تمام حالتهای مدل شده در شبکه عصبی، DOT اصلاحی دارای خطای کمتر و درجه همبستگی بیشتری می باشد.

در ادامه به بررسی اهمیت هر کدام از پارامترهای ورودی پرداخته شد. با حذف هر کدام از پارامترهای ورودی اثر هر کدام بر ابعاد حفره آبشستگی بررسی شده و در نهایت رابطه بدست آمده توسط شبکه عصبی ارائه گردیده است.

 

براي دانلود متن کامل پايان نامه کليک کنيد





لینک بالا اشتباه است

برای دانلود متن کامل اینجا کلیک کنید

       
:: بازدید از این مطلب : 559
|
امتیاز مطلب : 0
|
تعداد امتیازدهندگان : 0
|
مجموع امتیاز : 0
تاریخ انتشار : چهار شنبه 23 تير 1395 | نظرات ()
مطالب مرتبط با این پست
لیست
می توانید دیدگاه خود را بنویسید


نام
آدرس ایمیل
وب سایت/بلاگ
:) :( ;) :D
;)) :X :? :P
:* =(( :O };-
:B /:) =DD :S
-) :-(( :-| :-))
نظر خصوصی

 کد را وارد نمایید:

آپلود عکس دلخواه: