دانلود پایان نامه تخمین آبشستگی در پائین دست جت ریزشی با استفاده از شبکه عصبی

دانلود پایان نامه تخمین آبشستگی در پائین دست جت ریزشی با استفاده از شبکه عصبی
سمینار برای دریافت درجه کارشناسی ارشد“M.Sc” مهندسی عمران- سازه های هیدرولیکی

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 استفاده شده است. بخش اول ، پارامترها B P با الگوریتم آموزش F F طراحی شبکه عصبی از روش مدل شده است. در حالت بی MATLAB به صورت بعد دار و بی بعد در شبکه عصبی در محیط بعد روابط ارائه شده توسط شبکه عصبی با روابط مدل رگرسیونی بدست آمده، مقایسه گردید. در توسط DOT و رابطه اصلاحی DOT بخش بعدی روابط در دو حالت خاص (پارامترهای رابطه 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 10 می باشد . مدلهای بی بعد دارای دقت بالاتری نسبت به مدل بعد دار هستند. همچنین – حدود 8 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 اصلاح شده توسط مهدوی زاده DOT و DOT است. همچنین مقایسه ای بین پارامترهای رابطه صورت گرفت که به مراتب دقت در پارامترهای اصلاح شده بیشتر است. به طور کلی، بین تمام اصلاحی دارای خطای کمتر و درجه همبستگی بیشتری DOT ، حالتهای مدل شده در شبکه عصبی 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.
مهندسی عمران- سازه های هیدرولیکی

مقطع : کارشناسی ارشد

فرمت :pdf
تعداد صفحه :159

توجه :

عناوین پروژه های موجود در سایت فقط به عنوان معرفی در سایت قرار گرفته اند و هیچ گونه فروش و یا لینک دانلودی ندارند