بررسی رسوب گذاری در مخازن سدها با استفاده از تکنیک شبکه های عصبی (مطالعه ی موردی؛ سد بارون ماکو)
پایان نامه
- وزارت علوم، تحقیقات و فناوری - دانشگاه ارومیه - دانشکده مهندسی
- نویسنده هادی ایرجی
- استاد راهنما میرعلی محمدی محمد مناف پور
- تعداد صفحات: ۱۵ صفحه ی اول
- سال انتشار 1393
چکیده
یکی از بزرگترین مشکلاتی که پس از ساخت سدها ایجاد می شود مسئله ی رسوبگذاری در مخازن آن هاست. این پدیده بهره برداری بهینه از حجم آب ذخیره شده در مخزن سد را با مشکل جدی مواجه می سازد. از اثرات رسوبگذاری مخزن سد می توان به کاهش ظرفیت مخزن، افزایش قدرت فرسایشی رودخانه در پایین دست سد، اختلال در عملکرد دریچه های تحتانی و ... اشاره کرد. حصول روش های مناسب و دقیق در پیش بینی بار رسوبی ورودی رودخانه ها به مخازن سدها را می توان به عنوان یکی از مهمترین چالش ها در فرآیند فرسایش و رسوبگذاری دانست.کاربرد روش های آزمایشگاهی، مدل های ریاضی و روش های تجربی از جمله روش های معمول برای بررسی رسوب گذاری مخازن و تعیین حجم مفید آن ها می باشد. لذا استفاده از روش شبکه های عصبی مصنوعی (ann) به عنوان یکی از روش های نوین مدلسازی در علوم مهندسی مورد توجه محققین قرار گرفته است. در این تحقیق رسوب ورودی به مخزن سد بارون ماکو با استفاده از مدل شبکه عصبی مصنوعی پرسپترون چندلایه (mlp ) موجود در نرم افزار متلب (matlab) پیش بینی گردیده و عملکرد مدل های پیش بینی شده به کمک معیارهای rmse و r^2 مورد ارزیابی قرار گرفته و با روش منحنی دبی سنجه رسوب (usbr) مقایسه گردیده است. همچنین به بررسی نحوه توزیع رسوب با استفاده از روش تجربی کاهش سطح پرداخته شده است. بر اساس نتایج بدست آمده مدل شبکه عصبی مصنوعی دو لایه با الگوریتم آموزشی لونبرگ مارکوات و تابع تحریک سیگموید با دقت بالاتری قادر به تخمین رسوب می باشد وهمچنین مشاهده گردید که بطور متوسط سالانه 1/67 میلیون متر مکعب به دلیل ورود رسوبات به مخزن سد بارون ماکو از حجم آن کاسته شده که با توجه به این مقدار رسوب ورودی، اقدام به توزیع رسوب با استفاده از روش کاهش سطح پرداخته و مشاهده گردید که بعد از 30 سال اگر هیچگونه عملیات رسوب زدایی انجام نگیرد سد عملا غیر قابل بهره برداری خواهد بود.
منابع مشابه
تعیین پروفیل رسوب گذاری در کف مخزن سد اکباتان با استفاده از شبکه های عصبی مصنـوعی
در شبکه‌های عصبی مصنوعی (ANN) روش‌های موجود آموزش و واسنجی عصبی بر اساس ساختار پرسپترون چندلایه‌ای می باشد، لیکن این روش‌ها دارای مشکلات ناشی از عدم همگرایی در روش‌های یادگیری، عدم ثبات اوزان شبکه در شرایطی که طیف داده های ورودی دارای انحراف معیار بزرگ بوده و بالاخره نیاز به داده و اطلاعات فراوان جهت آموزش شبکه می باشند. برای غلبه بر مشکلات فوق در این تحقیق روش جدید ترکیبی شبکه عصبی مصنوعی – به...
متن کاملشبیه سازی رسوب گذاری در مخازن سدها با استفاده از مدل wasa-sed (مطالعه موردی سد باراسونا- اسپانیا)
در این مقاله الحاقیه جدید مدلwasa-sed که با هدف شبیه سازی فرآیند رسوب گذاری در مخازن سدها توسعه یافته مورد ارزیابی قرار گرفته است. برای ارزیابی الحاقیه جدید مدل واسا، فرآیند رسوب گذاری در مخزن سد باراسونا (اسپانیا) که در ناحیهای با فرسایش پذیری بالا قرار دارد مورد بررسی قرار گرفت. مهمترین پارامتر در شبیه سازی رسوب گذاری در مخازن سدها تعیین ضخامت لایه فعال است از اینرو برای واسنجی مدل و تعیین ض...
متن کاملآنالیز عدم قطعیت در برآورد حجم رسوب مخازن سدها با استفاده از روش آلفا- برش فازی مطالعه موردی: سد لتیان
در تخمین میزان رسوبگذاری و تجمع رسوبات در مخزن، عدم قطعیت‌هایی وجود دارد که از عواملی مانند میزان دبی جریان، بار رسوب، اندازه ذرات و وزن مخصوص رسوبات، راندمان تله‌اندازی و نوع عملکرد مخزن، ناشی می‌شوند. در این مطالعه جهت به‌کمیت درآوردن عدم قطعیت برآورد حجم رسوبگذاری مخزن، داده‌های 46 ساله دبی جریان و بار رسوب ایستگاه‌های هیدرومتری منتهی به مخزن سد لتیان مورد استفاده قرار گرفته و مدل تجربی بر...
متن کاملشبیهسازی رسوبگذاری در مخازن سدها با استفاده از مدل WASA-SED (مطالعه موردی سد باراسونا- اسپانیا)
در این مقاله الحاقیه جدید مدلWASA-SED که با هدف شبیه‌سازی فرآیند رسوبگذاری در مخازن سدها توسعه یافته مورد ارزیابی قرار گرفته است. برای ارزیابی الحاقیه جدید مدل واسا، فرآیند رسوبگذاری در مخزن سد باراسونا (اسپانیا) که در ناحیهای با فرسایش پذیری بالا قرار دارد مورد بررسی قرار گرفت. مهمترین پارامتر در شبیه‌سازی رسوبگذاری در مخازن سدها تعیین ضخامت لایه فعال است از اینرو برای واسنجی مدل و تعیین ض...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
نوع سند: پایان نامه
وزارت علوم، تحقیقات و فناوری - دانشگاه ارومیه - دانشکده مهندسی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023