توضیحات
خلاصه
روزنه جانبی نوعی سازه منحرف کننده جریان از کانال اصلی است که به طور گسترده در شبکه هاي آبیاري و مهندسی محیط زیست مورد استفاده قرار میگیرد. آنالیز ابعادي نشان میدهد که ضریب دبی در این سازه هیدرولیکی تابعی از نسبت عرض کانال به قطر روزنه،(B/D) ارتفاع تاج روزنه به قطر روزنه ،(W/D) عمق آب در کانال به قطر روزنه (Ym/D) و عدد فرود جریان (Fr) میباشد. اما در روابط ارائه شده توسط برخی محققین ضریب تخلیه تنها تابعی از (B/D )و (Fr) در نظر گرفته شده است. در این تحقیق روش جدیدي با استفاده از شبکه عصبی مصنوعی (ANN)براي تعیین ضریب شدت جریان بر اساس متغیرهاي بی بعد مذکور ارائه گردیده است که به شکل قابل ملاحظه اي از حجم و زمان انجام محاسبات میکاهد. شبکه مورد استفاده براي تخمین این پارامترهاي هیدرولیکی از نوع پرسپترون چند لایه (MPL) میباشد که از الگوریتم پس- انتشار خطا براي یادگیري کمک میگیرد. بدین منظور شبکه هاي مختلف با ساختارها و خصوصیات گوناگون مورد آزمایش قرار گرفت و نهایتا شبکه اي که داراي بهترین عملکرد بود، انتخاب شد. پس از آموزش مدل توسط داده هاي آزمایشگاهی، مشخص شد که مدل شبکه عصبی به شکل مناسبی داده هاي آزمایشگاهی را تقریب میزند. نتایج بدست آمده در این مقاله حاکی از آن است که شبکه عصبی مصنوعی به خوبی قادر به تعیین ضریب شدت جریان در روزنه جانبی لبه تیز دایرهاي میباشد. همچنین مشخص گردید پارامترهاي بی بعد (W/D ) و (Ym/D)نیز براي تعیین ضریب دبی تاثیرگذار خواهند بود و دقت محاسبه Cdرا افزایش میدهند.
مقدمه
در مهندسی آب به طور معمول از روزنه جانبی که در کناره بدنه کانال تعبیه میگردد، به منظور آبگیري از کانال اصلی استفاده میشود. این سازه همچنین در مهندسی آب و فاضلاب براي وارد کردن آب به محل انجام فرآیندهاي تصفیه، نظیر تانک هاي رسوبگذاري، حوضچه هاي هوا دهی و … استفاده میشود. علاوه بر روزنه جانبی، میتوان به دریچه هاي کشویی و سرریز جانبی نیز به عنوان سازه هاي انحراف آب از کانال اصلی اشاره کرد.
ABSTRACT
The lateral aperture is a distorted structure of flow from the main channel that is widely used in irrigation and environmental engineering networks. Dimensional analysis shows that the discharge coefficient in this hydraulic structure is a function of the channel width to stomatal diameter (B / D), stomatal crown crown height (W / D), depth of water in the channel to the diameter of the stomatal (Ym / D), and Storm descent number (Fr). But in the relationships provided by some researchers, the discharge coefficient is only a function of (B / D) and (Fr). In this research, a new method is proposed using Artificial Neural Network (ANN) to determine the coefficient of current flow based on the non-dimensional variables that significantly reduces the volume and time of the calculations. The network used to estimate these multi-layer perceptron (MPL) hydraulic parameters, which contributes to the error-back propagation algorithm for learning. For this purpose, different networks were tested with different structures and properties, and finally, a network with the best performance was selected. After modeling the model with laboratory data, it was determined that the neural network model approximated the experimental data appropriately. The results obtained in this paper indicate that the artificial neural network is able to determine the coefficient of flow intensity in the lateral edges of the sharp-circle pores. It was also determined that dimensionless parameters (W / D) and (Ym / D) will also be effective in determining the discharge coefficient and increase the accuracy of Cd calculation.
INTRODUCTION
In water engineering, typically the side apertures fitted to the side of the body of the canal are used to capture the main channel. This structure is also used in water and wastewater engineering to insert water into the treatment plant, such as sedimentation tanks, aerial ponds, and so on. In addition to the lateral apertures, sliding and lateral overflow valves can also be referred to as structures for diversion from the main channel.
Year: 2011
Publisher : Sixth National Congress on Civil Engineering
By : Kamran Mohammadi , Saeed Farzin , Nazila Kardan , Yousef Hasanzadeh
File Information: English Language/ 8 Page / size: 568 KB
Only site members can download free of charge after registering and adding to the cart
سال : 1390
ناشر : ششمین کنـگره ملی مهنـدسی عمـران
کاری از : کامران محمدي ، سعید فرزین ، نازیلا کاردان ، یوسف حسن زاده
اطلاعات فایل : زبان فارسی / 8 صفحه / حجم : KB 568
نقد و بررسیها
هنوز بررسیای ثبت نشده است.