فهرس المقالات انتقال رسوب

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - مدل‌سازی بار رسوب کل رودخانه‌ها با استفاده از شبکه‌های عصبی مصنوعی
  امین فلامکی مهناز اسکندری عبدالحسین بغلانی سید احمد احمدی
  برآورد بار رسوب کل رودخانه ها از مسائل مهم و کاربردی در مدیریت و برنامه ریزی منابع آب است. غلظت رسوب می تواند به روش های مستقیم و یا غیرمستقیم محاسبه شود که معمولاً روش های مستقیم پرهزینه و زمان بر هستند. همچنین بار رسوب کل می تواند به کمک روابط مختلف انتقال رسوب محاسبه أکثر

  برآورد بار رسوب کل رودخانه ها از مسائل مهم و کاربردی در مدیریت و برنامه ریزی منابع آب است. غلظت رسوب می تواند به روش های مستقیم و یا غیرمستقیم محاسبه شود که معمولاً روش های مستقیم پرهزینه و زمان بر هستند. همچنین بار رسوب کل می تواند به کمک روابط مختلف انتقال رسوب محاسبه شود، لیکن به طور معمول کاربرد این روابط نیاز به شرایط معینی داشته و به علاوه در بیشتر موارد نتایج حاصل از آن ها با یکدیگر و با مقادیر اندازه گیری شده متفاوت است. هدف از این پژوهش ارائه روشی بر پایه شبکه های عصبی مصنوعی (ANN) در تخمین بار رسوب کل بود. بدین منظور از دو نوع شبکه عصبی پرسپترون چند لایه (MLP) و توابع پایه شعاعی (RBF) و 200 نمونه، استفاده شد. 75 درصد از داده ها برای آموزش و 25 درصد برای آزمون شبکه ها در نظر گرفته شدند. متغیرهای ورودی مدل ها شامل سرعت متوسط جریان، شیب کف آبراهه، عمق متوسط، عرض آبراهه و قطر میانه ذرات رسوب و خروجی مدل، غلظت رسوب بود. متغیرهای ورودی مرحله به مرحله به شبکه ها اضافه شدند و هر بار نتایج ارزیابی شد تا مناسب ترین مدل تعیین شود. سپس نتایج حاصل از مدل های ANN با پنج معادله معروف انتقال رسوب مقایسه شدند. شاخص‌های آماری نشان داد که دقت شبکه های عصبی به ویژه مدل MLP در تخمین بار رسوب کل با ضریب همبستگی 96/0 بیش از سایر مدل هاست. همچنین مشخص شد که برای افزایش دقت مدل نیاز به آموزش آن با هر دو نوع داده های هیدرولوژیک و رسوب است. رابطه Ackersو White در برآورد مقدار بار رسوب کل بسیار بیش برآورد و سایر روابط، کم برآورد بودند. نتایج این پژوهش نشان داد که مدل های ارائه شده بر پایه شبکه های عصبی با مقادیر رسوب کل مشاهده شده هم خوانی بیشتری دارند و بویژه شبکه MLP می تواند مقدار رسوب را در نقاط پیک به خوبی برآورد نماید. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - Estimate particles and Investigation of Tank’s Sediment in Olya Gotvand Dam by Using of CCHE2D software
  محمد رضا فرشادی سعید حاجی علی گل جواد احدیان محمد جواد نصر اصفهانی
  Sedimentation in the Tank’s dam is complicated phenomenon and If we don’t have any information about sediment transport and control method, It cause decrease duration of use dam and waste of huge popular wealth. Thesis goal is study on Estimate particles and أکثر

  Sedimentation in the Tank’s dam is complicated phenomenon and If we don’t have any information about sediment transport and control method, It cause decrease duration of use dam and waste of huge popular wealth. Thesis goal is study on Estimate particles and Investigation and of tank`s sediment in olya Gotvand dam by using of CCHE2D software. To run this model use many base data like upstream river cross section specification, daily discharge statistics and air temperature, river discharge, varied reversion of flood water, river bed grain size and other need information’s. After insert all need data and run this model, the load sediment import in olia Gotvand dam`s tank is equal 89435 million cube meter per year and according to this result, after 100 year the sedimentation in order to trap coefficient 90 %, the whole sediment logs are jammed in the dam`s tank is equal 241 million cube meter and consequently this sediment to be formed 7.23% total volume of this dam`s tank. Most of Sediment Transport is kind of large silt with size 0.031-0.0625 mm and very small sand with size 0.0625-0.125. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  3 - پیش بینی تقریبی بهبود الگوی فرسایش و رسوب گذاری در محل تقاطع کانال ها با بهینه سازی پارامترهای هندسی و هیدرولیکی به کمک الگوریتم ژنتیک
  امین مجیدی پور علی افروس
  این پژوهش با هدف بهبود الگوی فرسایش و رسوب در محل تقاطع کانال ها با بهینه سازی پارامترهای هندسی و هیدرولیکی به کمک الگوریتم ژنتیک انجام گرفته است. در مطالعه حاضر الگوی سه بعدی جریان در قوس 180 درجه با آبگیر جانبی با بستر صلب و نیز مکانیسم شکل گیری توپوگرافی بستر در قوس أکثر

  این پژوهش با هدف بهبود الگوی فرسایش و رسوب در محل تقاطع کانال ها با بهینه سازی پارامترهای هندسی و هیدرولیکی به کمک الگوریتم ژنتیک انجام گرفته است. در مطالعه حاضر الگوی سه بعدی جریان در قوس 180 درجه با آبگیر جانبی با بستر صلب و نیز مکانیسم شکل گیری توپوگرافی بستر در قوس 180 درجه با آبگیر جانبی به روش وارد شدن رسوب بر روی بستر صلب با استفاده از نرم افزارHEC-RAS و الگوریتم ژنتیک در متلب مدل سازی عددی و شبیه سازی شده است.. برای روندیبی از روش محاسباتی و روش الگوریتم ژنتیک بهره گرفته شده است و در این زمینه نتایج نشان می دهد که الگوریتمGA دقت بالاتری در روندیابی سیل رودخانه داشته است. علاوه براین تفاوت بین دبی پیک مشاهداتی و روندیابی شده در الگوریتمGA، 85/4 و در محاسباتی 7/9 متر مکعب بر ثانیه به دست آمده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  4 - برآورد ضریب مانینگ رسوبات رودخانه های استان گلستان در طبقه بندی متحد خاک
  حامد رضایی سیده اعظم تقوی سمیه قندهاری
  ضریب مانینگ یکی از پارامترهای مهم در مطالعات مهندسی رودخانه و مباحث انتقال رسوب می باشد. تعیین این ضریب برای محاسبه دقیق عوامل موثر بر جریان هیدرولیکی کانال انتقال آب مثل عمق و سرعت جریان، ضروری است. ضریب مانینگ بین ۰۱/۰ تا ۰۷/۰ در رسوبات طبیعی متغیر است، لذا انتخاب عدد أکثر

  ضریب مانینگ یکی از پارامترهای مهم در مطالعات مهندسی رودخانه و مباحث انتقال رسوب می باشد. تعیین این ضریب برای محاسبه دقیق عوامل موثر بر جریان هیدرولیکی کانال انتقال آب مثل عمق و سرعت جریان، ضروری است. ضریب مانینگ بین ۰۱/۰ تا ۰۷/۰ در رسوبات طبیعی متغیر است، لذا انتخاب عدد درست و دقیق مهم می باشد. این ضریب با قطر رسوب بستر کانال رابطه دارد. سیستم طبقه بندی متحد خاک یکی از رایج ترین طبقه بندی ها در مهندسی ژئوتکنیک است که تابع منحنی توزیع دانه بندی خاک بوده و می تواند قطر رسوب را در هر درصد عبوری اندازه گیری نماید. با استفاده از این سیستم به راحتی و با دقت قابل قبولی می توان ضریب مانینگ هر نوع خاک دانه ای را برآورد نمود. در این تحقیق ضریب مانینگ ۱۸ نوع خاک دانه ای در سیستم طبقه بندی متحد محاسبه و برآورد گردید. اعتبارسنجی و صحت نتایج به دست آمده، بر پایه تحلیل پارامترهای آماری ۱۰۶ منحنی دانه بندی رسوبات ۱۳ رودخانه استان گلستان می باشد. این رودخانه ها از کوه های جنوبی استان به سمت شمال درحرکت بوده و از مواد مختلف زمین عبور می کنند. نمونه برداری انجام شده در پائیز سال ۹۱، مربوط به دپوی مصالح در معادن شن و ماسه کارخانه های منطقه می باشد که عموما محل خروجی حوزه های آبریز مناطق کوهستانی است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  5 - تعیین پروفیل رسوب گذاری در کف مخزن سد اکباتان با استفاده از شبکه های عصبی مصنـوعی
  محسن ایراندوست هدایت فهمـی امید طیاری
  در شبکه‌های عصبی مصنوعی (ANN) روش‌های موجود آموزش و واسنجی عصبی بر اساس ساختار پرسپترون چندلایه‌ای می باشد، لیکن این روش‌ها دارای مشکلات ناشی از عدم همگرایی در روش‌های یادگیری، عدم ثبات اوزان شبکه در شرایطی که طیف داده های ورودی دارای انحراف معیار بزرگ بوده و بالاخره نی أکثر

  در شبکه‌های عصبی مصنوعی (ANN) روش‌های موجود آموزش و واسنجی عصبی بر اساس ساختار پرسپترون چندلایه‌ای می باشد، لیکن این روش‌ها دارای مشکلات ناشی از عدم همگرایی در روش‌های یادگیری، عدم ثبات اوزان شبکه در شرایطی که طیف داده های ورودی دارای انحراف معیار بزرگ بوده و بالاخره نیاز به داده و اطلاعات فراوان جهت آموزش شبکه می باشند. برای غلبه بر مشکلات فوق در این تحقیق روش جدید ترکیبی شبکه عصبی مصنوعی – بهینه سازی ریاضی غیرخطی ارایه شده و شبکه عصبی مصنوعی که با استفاده از روش پس انتشار خطا طراحی گردیده بهعنوان ابزارقدرتمندی برای برآورد میزان رسوب مخزن سد اکباتان معرفی شده است. بر این اساس با استفاده از معادله بین دبی رسوب و جریان آب رودخانه آبشینه و آمار ایستگاه یالفان مدل طراحی شده ANN با گره های مختلف در لایه ها ورودی ها و لایه مخفی اجرا گردید. نتایج واسنجی نشان می دهد برای توزیع رسوب در مخزن سداکباتان بایستی از شش گره در لایه ورودی و هشت گره در لایه مخفی استفاده نمود. دراین تحقیق رابطه رضایت بخشی بین تعداد مولفه‌های لایه مخفی باتعدادداده های آموزش و تعداد مولفه‌های ورودی تعیین شده است. تفاصيل المقالة