تخمین هوشمند حداکثر عمق آب‌شستگی اطراف آب‌شکن‌های L شکل با استفاده از شبکه‌های عصبی مصنوعی و سیستم استنتاج فازی- عصبی

Authors: not saved
Abstract:

از جمله مسایل مهم در طراحی آب‌شکن‌ها، پدیده آب‌شستگی موضعی دماغه آنها می‌باشد که به‌علت تنگ‌شدگی مقطع جریان و وجود گردابه‌های قوی به‌وجود می‌آید و یکی از شاخص‌های مهم در تعیین مشخصات حفره‌ی آب‌شستگی، حداکثرعمق آب‌شستگی می‌باشد. امروزه شبکه‌های 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. بنابراین در این پژوهش از دو روش شبکه عصبی مصنوعی، سیستم استنتاج فازی عصبی به برآورد میزان عمق آب‌شستگی اطراف آب‌شکن L- شکل پرداخته شده است. همچنین نتایج به‌دست آمده از این روش‌ها با رابطه تجربی موجود مقایسه شده است. برای شبکه عصبی مصنوعی از یک لایه میانی با 5 نرون استفاده شد. تابع محرک لایه میانی نیز تانژانت هیپربولیک و تابع محرک لایه خروجی سیگموئید درنظر گرفته شد. سیستم استنتاج فازی- عصبی به‌کار رفته در این تحقیق نیز سوگینو می‌باشد که از الگوریتم یادگیری پیوندی برای تعیین پارامترهای سیستم فازی استفاده می‌کند. ضریب همبستگی برای داده‌های آزمون در شبکه عصبی مصنوعی، سیستم استنتاج فازی عصبی و رابطه تجربی به‌ترتیب 97/0، 99/0 و 93/0 به‌دست آمده است. مقایسه نتایج نشان‌دهنده قدرت بالای سیستم‌های هوشمند (به‌خصوص سیستم استنتاج فازی عصبی) در یادگیری و تخمین عمق آب‌شستگی اطراف این نوع آب‌شکن می‌باشد.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

پیش‌بینی حداکثر عمق چاله آبشستگی اطراف گروه پایه کج با استفاده از سیستم استنتاج فازی-عصبی تطبیقی بهینه‌شده با الگوریتم ژنتیک

هدف از تحقیق حاضر بررسی تاثیر بهینه‌سازی پارامترهای سیستم استنتاج فازی-عصبی تطبیقی (ANFIS) با الگوریتم ژنتیک در پیش‌بینی حداکثر عمق آبشستگی اطراف گروه پایه کج و مقایسه آن با ANFIS جعبه‌ابزار نرم‌افزار Matlab و انواع مولد‌های سیستم استنتاج فازی (FIS) در آن می‌باشد. برای این منظور داده‌های 48 سری آزمایش مربوط به گروه پایه کج مستقر بر روی فونداسیون برای شرایط هیدرولیکی و رقوم کارگذاری فونداسیون مخ...

full text

تخمین حداکثر عمق آبشستگی پایه پل به کمک سیستم استنتاج تطبیقی فازی- عصبی

پل ها از جمله مهم ترین و پرکاربردترین وسایل ارتباطی بوده، که در مواقع سیلاب اهمیت دو چندانی می یابند. به عنوان مثال در ایالات متحده بالغ بر 36000 پل یا در معرض آبشستگی و یا در محل وقوع آن قرار دارند. بنابراین طراحی دقیق و نگهداری از آن ها بسیار حائز اهمیت است. در این راستا طراحی دقیق نقش ویژه ای را ایفا می کند. به منظور تحقق این مهم می بایستی اطلاعات اولیه از صحت کافی و قابل قبولی برخوردار باشن...

15 صفحه اول

کاربرد شبکه عصبی مصنوعی در تخمین عمق آبشستگی اطراف پایه پل در بستر با رسوبات چسبنده

بیشتر آسیب پل‌ها به دلیل آبشستگی اطراف پی‌های‌ آن در طول سیلاب هستند. بنابراین برای حداقل‌سازی احتمال خرابی، یک مدل بهبود یافته برای تخمین عمق آبشستگی اطراف آنها لازم است. به دلیل اینکه آبشستگی در پایه‌های پل یک تابع پیچیده از مشخصات مصالح کف، ویژگی‌های سیال، مشخصات جریان و هندسه‌ی پایه است، معادلات تجربی توانایی تخمین دقیق عمق آبشستگی را ندارند. در این تحقیق، روشی سودمند برای تخمین عمق آبشستگی...

full text

مدل‌سازی آبشستگی اطراف آبشکن در قوس‌ها با استفاده از منطق فازی و شبکه عصبی مصنوعی

آبشکن سازه­ای است از جنس سنگ، شن، پاره سنگ، خاک و یا بتن که با زاویه­ای نسبت به کرانه رودخانه جهت انحراف جریان آب از سواحل به مرکز آن به منظور جلوگیری از آبشستگی سواحل  احداث می­شود. از جمله مشکلات مهم مربوط به این سازه که ممکن است پایداری آن را به خطر اندازد، آبشستگی اطراف آن می­باشد. لذا مدل­سازی میزان آبشستگی اطراف این سازه بر اساس شرایط جریان از اهمیت بالایی برخوردار می­باشد. در این تحقیق د...

full text

تخمین سطح تنش رطوبتی خاک با استفاده از مدل HYRDUS2D و سیستم استنتاج عصبی- فازی

در این پژوهش، به­منظور تعیین طول دوره­ی تنش در طول فصل کشت، قابلیت مدل­های HYDRUS2D و ANFIS در شبیه­سازی روند تغییرات زمانی رطوبت خاک و اجزای بیلان آب تحت آبیاری کامل و کم­آبیاری معمولی در دو سطح 75 (DI75) و 55 درصد (DI55) در یک مزرعه­ی ذرت با یکدیگر مقایسه شدند. بدین منظور، طی دو فصل زراعی داده­های رطوبت خاک با استفاده از رطوبت­سنج TRIME-FM برای واسنجی و صحت­یابی مدل HYDRUS2D برداشت شد. همچنین...

full text

پیش‌بینی بلند مدت رواناب با استفاده از شبکه های عصبی مصنوعی و سیستم استنتاج فازی

مدل‏های مفهومی ‌بر مبنای هوش مصنوعی، اغلب برای پیش‌بینی‏های کوتاه مدت و میان مدت هیدورلوژیکی به کار رفته اند. در این مقاله با استفاده از مفهوم تولید مجموعه ای از پیش‌بینی‌ها1 (ESP) و تفکیک مدل‏سازی برای متغیرهای اقلیمی‌و هیدرولوژیکی، از مدل‏های مفهومی ‌برای پیش‌بینی بلندمدت حجم جریان رودخانه زاینده رود در محل ورودی به سد زاینده رود استفاده می‌شود. سیستم استنتاج فازی برای پیش‌بینی بار...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 16  issue 1

pages  143- 161

publication date 2012-07-25

By following a journal you will be notified via email when a new issue of this journal is published.

Keywords

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023