نمایش مختصر رکورد

مدل‌سازی هوشمند جریان غلیظ نمکی در حضور موانع نفوذپذیر

dc.contributor.authorدرخشان نیا, مهدیfa_IR
dc.contributor.authorقمشی, مهدیfa_IR
dc.contributor.authorاسلامیان, سید سعیدfa_IR
dc.contributor.authorکاشفی پور, سید محمودfa_IR
dc.date.accessioned1402-02-21T04:29:09Zfa_IR
dc.date.accessioned2023-05-11T04:29:22Z
dc.date.available1402-02-21T04:29:09Zfa_IR
dc.date.available2023-05-11T04:29:22Z
dc.date.issued2022-07-23en_US
dc.date.issued1401-05-01fa_IR
dc.date.submitted2020-10-01en_US
dc.date.submitted1399-07-10fa_IR
dc.identifier.citationدرخشان نیا, مهدی, قمشی, مهدی, اسلامیان, سید سعید, کاشفی پور, سید محمود. (1401). مدل‌سازی هوشمند جریان غلیظ نمکی در حضور موانع نفوذپذیر. مهندسی منابع آب, 15(53), 53-70. doi: 10.30495/wej.2021.26178.2270fa_IR
dc.identifier.issn2008-6377
dc.identifier.issn2423-719
dc.identifier.urihttps://dx.doi.org/10.30495/wej.2021.26178.2270
dc.identifier.urihttps://wej.marvdasht.iau.ir/article_5351.html
dc.identifier.urihttps://iranjournals.nlai.ir/handle/123456789/973361
dc.description.abstractچکیدهمقدمه : جریان­ غلیظ یکی از مهمترین عوامل در فرآیند رسوب­گذاری سدها می­باشد. افزایش رسوب در نزدیک دیواره سد، ظرفیت ذخیره ­سازی آن را کاهش داده و چالش ­های قابل­ت وجهی را برای مهندسین مربوطه ایجاد می­کند. بنابراین درک پویایی سیالات غلیظ و الگوهای رسوبی مرتبط جهت مدیریت مخزن سدها بسیار کارآمد است.روش : هدف از این تحقیق ایجاد یک مدل هوشمند با تطابق مناسب با داده ­های آزمایشگاهی بوده تا بتوان از آن در طرح­ های آتی با متغیرهای متفاوت نیز استفاده نمود. براین­اساس در این تحقیق درصد کاهش هد جریان غلیظ نمکی تحت تاثیر موانع نفوذپذیر ذوزنقه­ای شکل (سنگ­دانه ­ها با قطر 1 سانتیمتر)، با در نظر گرفتن متغیرهایی همچون دبی، شیب، غلظت و ارتفاع موانع به ­صورت آزمایشگاهی مورد بررسی قرار گرفت، سپس براساس نتایج حاصله اقدام به مدل­سازی هد جریان غلیظ نمکی با روش شبکه عصبی مصنوعی پیش­خور و روش کلاسیک رگرسیون چند متغیره شد و کارکرد این دو روش مورد مقایسه قرار گرفت.یافته­ ها : نتایج نشان داد که روش هوشمند شبکه عصبی مصنوعی پیش­خور در مدل­سازی درصد کاهش هد جریان غلیظ نمکی نسبت به روش رگسیون چند متغیره برتری قابل توجهی دارد به­گونه­ای که مقادیر رگسیون آموزش، واسنجی و تست به ترتیب 99/0، 0.98 و 98/0 برای شبکه عصبی و 92/0، 0.91 و 91/0 برای رگسیون چند متغیره بدست آمد.نتیجه­ گیری : عملکرد شبکه عصبی مصنوعی نسبت به روش رگسیون چند متغیره کارایی بسیار بهتری دارد.fa_IR
dc.languageفارسی
dc.language.isofa_IR
dc.publisherدانشگاه آزاد اسلامیfa_IR
dc.relation.ispartofمهندسی منابع آبfa_IR
dc.relation.isversionofhttps://dx.doi.org/10.30495/wej.2021.26178.2270
dc.subjectجریان‌ غلیظfa_IR
dc.subjectرسوب‌گذاریfa_IR
dc.subjectدرصد کاهش هدfa_IR
dc.subjectشبکه عصبی پیش‌خورfa_IR
dc.subjectرگرسیون چند متغیرهfa_IR
dc.titleمدل‌سازی هوشمند جریان غلیظ نمکی در حضور موانع نفوذپذیرfa_IR
dc.typeTexten_US
dc.typeمقاله پژوهشیfa_IR
dc.contributor.departmentدانشجوی دکتری، گروه مهندسی عمران، واحد نجف آباد، دانشگاه آزاد اسلامی نجف‌آباد، نجف‌آباد، ایران.fa_IR
dc.contributor.departmentاستاد، گروه سازه های آبی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران.fa_IR
dc.contributor.departmentاستاد، گروه مهندسی عمران، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران. و گروه مهندسی آب، دانشکده کشاورزی، دانشگاه صنعتی اصفهان، اصفهان، ایران .fa_IR
dc.contributor.departmentاستاد، گروه سازه های آبی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران.fa_IR
dc.citation.volume15
dc.citation.issue53
dc.citation.spage53
dc.citation.epage70


فایل‌های این مورد

فایل‌هااندازهقالبمشاهده

فایلی با این مورد مرتبط نشده است.

این مورد در مجموعه‌های زیر وجود دارد:

نمایش مختصر رکورد