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 بهره گیری از شبکه عصبی

 

چکیده

شما می توانید مطالب مشابه این مطلب را با جستجو در همین سایت بخوانید                     

جت های ریزشی در اثر عبور آب روی سازه های هیدرولیکی (سازه هایی زیرا سرریز وکالورت) به وجودمی 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 گردد. فرآیند آبشستگی در خروجی کالورت به عوامل متعددی زیرا جنس خاک، دبی، شعاع هیدرولیکی، ارتفاع ریزش، عمق پایاب، شیب کالورت و مهمتر از همه زمان وابسته می باشد. از این رو کوشش گردید از ارتباط ای بهره گیری گردد که اثر توأم پارامترهای فوق را نشان دهد.

هر چند تحقیقات بسیاری در خصوص تأثیر پارامتر زمان در فرایند تشکیل حفره آبشستگی صورت گرفته، اما در خصوص چگونگی تأثیر آن و اینکه تا چه حد در این فرایند مؤثر می باشد، تا کنون نتایج قابل توجهی حاصل نشده می باشد. در این پژوهش پارامترهای موثر بر ابعاد حفره آبشستگی در دو بخش کلی مطالعه شده و جهت برآورد شبکه عصبی مناسبی برای ایجاد ارتباط غیر خطی که ابعاد آبشستگی را بر اساس پارامترهای مختلف هیدرولیکی ارائه شده می باشد. برای ایجاد ارتباط مناسب و طراحی شبکه عصبی از روش FF با الگوریتم آموزش BP بهره گیری شده می باشد. بخش اول ، پارامترها به صورت بعد دار و بی بعد در شبکه عصبی در محیط MATLAB مدل شده می باشد. 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 ارتباط DOT و ارتباط اصلاحی DOT توسط مهدوی زاده) ارئه گردید.

نتایج نشان می دهد که ارتباط 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 گردید که شبکه عصبی از دقت قابل ملاحظه ای نسبت به مدل های تجربی رایج برخوردار می باشد. همچنین مقایسه ای بین پارامترهای ارتباط DOT و DOT اصلاح شده توسط مهدوی زاده صورت گرفت که به مراتب دقت در پارامترهای اصلاح شده بیشتر می باشد. به گونه کلی، بین تمام حالتهای مدل شده در شبکه عصبی، DOT اصلاحی دارای خطای کمتر و درجه همبستگی بیشتری می باشد.

در ادامه به مطالعه اهمیت هر کدام از پارامترهای ورودی پرداخته گردید. با حذف هر کدام از پارامترهای ورودی اثر هر کدام بر ابعاد حفره آبشستگی مطالعه شده و در نهایت ارتباط بدست آمده توسط شبکه عصبی ارائه گردیده می باشد.

مقدمه

آبشستگی هرچند سابقه طولانی در علم هیدرولیک دارد اما به علت دامنه وسیع متغیرها و گستردگی پارامتر های موثر بر آن و شرایط گوناگون که در این پدیده هست ، تا کنون ارتباط دقیقی که بتواند تخمین مناسبی از ابعاد حفره آبشستگی بدهد در دسترس نمی باشد ومطالعه در این مورد همچنان مورد توجه محققین این علم می باشد.

شما می توانید تکه های دیگری از این مطلب را در شماره بندی انتهای صفحه بخوانید              

پیش بینی ابعاد حفره آبشستگی پائین دست سازه های کنترل یکی از مهمترین و مشکل ترین مراحل در طراحی فونداسیون این سازه ها می باشد. طراحی بایستی با در نظر داشتن ابعاد حفره ایجاد شده بصورتی باشد که احتمال شکست و واژگونی سازه حداقل گردد.

دیدگاهتان را بنویسید