879

Intelligent Simulation of Vortex formation at pipe intakes

كارشناسي ارشد

عمران

تهران شمال

1397

97/8/30

18

127ص.

رجبي،الهام

Critical submerged depth , Pipe intake , Artificial neural networke

عمق استغراق كه از مشكلات رايج درآبگيرهاي افقي و قائم مي باشد، مي تواند منجر به تشكيل جريان گردابي در اين نوع از آبگيرها شود.ازآنجاكهروش‌هاي عددي در اكثر مطالعات با استفاده از روش تجربي انجام‌شده و ساخت مدل‌هاي آزمايشگاهي نياز به‌صرف هزينه و زمان زيادي دارد، در اين پژوهش از مدل‌سازي هوشمند مبتني بر آموزش يك شبكه عصبي مصنوعي به‌منظورپيش‌بيني استغراق بحراني بي‌بعد در آبگيرهاي افقي و قائم بر مبناي داده‌هاي مطالعات تجربي تحقيقات پيشين استفاده مي‌گردد. در اين تحقيق از يك شبكه عصبي مصنوعي پيش‌خورچندلايه با الگوي آموزش پس انتشار خطا و تابع يادگيري لونبرگ ماركواردت براي تعيين استغراق بحراني بي‌بعد به كار گرفته‌شده است. همچنين در اين تحقيق با استفاده از نتايج تحقيقات آزمايشگاهي حاصل از مطالعات محققين پيشين، رابطه‌ايغيرخطي جهت تخمين عمق استغراق بحراني در آبگيرهاي افقي و عمودي نصب‌شده در مخازن ارائه‌شده است. نتايج نشان داد كه مدل شبكه عصبي نسبت به روابط ارائه‌شده پيشين قابليت تعميم-پذيري مناسبتري بويژه در تعيين مقادير استغراق بحراني دارد. همچنين معادله پيشنهادي تحقيق حاضر به علت دارا بودن ضريب همبستگي بالاتر نسبت به مدل‌هاي تجربي و قابليت كاربرد براي هر دو نوع آبگير (افقي و قائم)، به‌عنوان مدلي ساده و كارآمد جهت تخمين عمق نسبي استغراق بحراني در دهانه‌هاي آبگير افقي و قائم توصيه مي‌گردد.

56660