فهرس المقالات Uncertainty analysis

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - تحلیل حساسیت پارامترهای مؤثر بر عمق آبشستگی در پائین‌دست پایه‌های پل جفت با استفاده از ماشین آموزش نیرومند
  سیامک امیری محمد علی ایزدبخش سعید شعبانلو
  10.30495/wsrcj.2022.19223
  زمینه و هدف: آبشستگی موضعی به‌عنوان یکی از عوامل مهم که باعث گسیختگی سازه پل‌ها، موج‌شکن‌ها و اسکه‌ها می‌شود شناسایی شده است. پیچیدگی مکانیزم آبشستگی باعث شده است که این موضوع یکی از مهم‌ترین زمینه‌های مطالعاتی مهندسی عمران باشد. در سال-های اخیر، مطالعات فراوانی بر روی أکثر

  زمینه و هدف: آبشستگی موضعی به‌عنوان یکی از عوامل مهم که باعث گسیختگی سازه پل‌ها، موج‌شکن‌ها و اسکه‌ها می‌شود شناسایی شده است. پیچیدگی مکانیزم آبشستگی باعث شده است که این موضوع یکی از مهم‌ترین زمینه‌های مطالعاتی مهندسی عمران باشد. در سال-های اخیر، مطالعات فراوانی بر روی آبشستگی موضعی اطراف پایه‌های پل انجام گرفته است. به دلیل اهمیت زیاد پیش‌بینی و تخمین الگوی آبشستگی در مجاورت پایه‌های پل مطالعات فراوانی بر روی این نوع از سازه‌ها انجام شده است.روش پژوهش: در این مطالعه برای اولین بار با استفاده از روش جدید ماشین آموزش نیرومند (ELM)، عمق آبشستگی در مجاورت پایه‌های پل دوقلو شبیه‌سازی شد. ابتدا پارامترهای مؤثر شناسایی گردید و چهار مدل ELM توسعه داده شد. سپس به کمک شبیه‌سازی مونت کارلو و روش اعتبار سنجی ضربدری نتایج عددی اعتبار سنجی شدند. در ادامه تابع فعال‌سازی sin به‌عنوان بهترین تابع فعال-سازی تعیین شد. علاوه بر این نتایج ELM با مدل‌های شبکه عصبی مصنوعی مقایسه گردید که مدل‌های ELM مقادیر آبشستگی را با دقت بیشتری تخمین زدند. تحلیل عدم قطعیت برای مدل‌های برتر ELM و ANN اجرا گردید و برای مدل برتر یک رابطه پیشنهاد داده شد. برای کلیه پارامترهای ورودی تحلیل حساسیت مشتق نسبی (PDSA) نیز اجرا گردید.یافته‌ها: در میان توابع فعال سازی موجود، تابع sin دارای عملکردی بهینه در مقایسه با سایر توابع فعال سازی بود. با توجه به تجزیه و تحلیل نتایج مدل سازی، مدل ELM 1 به‌عنوان مدل برتر معرفی شد. این مدل تابعی از کلیه پارامترهای ورودی بود. همچنین با حذف عدد فرود دقت مدل عددی به شکل قابل ملاحظه ای کاهش یافت فلذا پارامتر مذکور نیز به عنوان مؤثرترین پارامتر در مدل سازی آبشستگی در اطراف پایه های پل دوقلو توسط مدل ماشین آموزش نیرومند شناسایی شد.نتایج: با تجزیه و تحلیل نتایج مدل سازی، مدل برتر ELM معرفی کردید. نتایج مدل های ELM با مدل های ANN نیز مقایسه شد که نشان داده شد مدل های ELM مقادیر آبشستگی را با دقت بیشتری شبیه سازی می کنند. برای مدل برتر ELM یک رابطه برای محاسبه عمق حفره آبشستگی پیشنهاد داده شد و در ادامه تحلیل عدم قطعیت نشان داد که این مدل دارای عملکردی بیشتر از مقدار واقعی بود. علاوه بر این تحلیل حساسیت مشتق نسبی برای پارامترهای ورودی نشان داد که با افزایش عدد فرود مقدار تابع هدف (عمق آبشستگی) افزایش می یابد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - پیش‌بینی عمق آبشستگی در مجاورت سرریزهای سنگی با استفاده از ساختار تعمیم‌یافته روش گروه دسته‌بندی داده‌ها
  ابراهیم شهبازبیگی فریبرز یوسفوند بهروز یعقوبی سعید شعبانلو احمد رجبی
  10.30495/wsrcj.2021.18542
  در این مطالعه، الگوی آبشستگی در مجاورت سرریزهای سنگی با شکل‌های I، U و J درون کانال‌های خم توسط یک روش هوش مصنوعی نوین تحت عنوان ساختار تعمیم‌یافته روش گروه دسته‌بندی داده‌ها(GSGMDH) شبیه‌سازی شد. در مقایسه با روش(GMDH) گروه دسته‌بندی داده‌ها روش GSGMDH یک روش منعطف‌تر أکثر

  در این مطالعه، الگوی آبشستگی در مجاورت سرریزهای سنگی با شکل‌های I، U و J درون کانال‌های خم توسط یک روش هوش مصنوعی نوین تحت عنوان ساختار تعمیم‌یافته روش گروه دسته‌بندی داده‌ها(GSGMDH) شبیه‌سازی شد. در مقایسه با روش(GMDH) گروه دسته‌بندی داده‌ها روش GSGMDH یک روش منعطف‌تر و دقیق‌تر است که در آن گره‌ها می-توانند از لایه‌های غیرهمجوار ورودی بگیرند. در ابتدا، کلیه پارامترهای موثر بر روی عمق آبشستگی در مجاورت سرریزهای سنگی شناسایی گردید و سپس با استفاده از این پارامترها، برای هر یک از روش‌های GMDH و GSGMDH شش مدل مختلف تعریف گردید. با تجزیه و تحلیل نتایج مدل‌های هوش مصنوعی مدل-های برتر معرفی گردید. مدل‌های برتر GMDH و GSGMDH مقادیر آبشستگی‌ها را بر حسب کلیه پارامترهای ورودی تخمین زدند. علاوه بر این، دقت مدل‌های GSGMDH از مدل‌های GMDH بیشتر بود. به‌عنوان مثال، برای مدل‌های برتر GMDH و GSGMDH مقدار شاخص عملکرد در وضعیت تست به‌ترتیب مساوی با 075/73 و 408/86 محاسبه شدند. همچنین، مدل برتر مقادیر تابع هدف را با دقت خوبی پیش‌بینی نمود. به‌عنوان مثال، مقادیر ضریب همبستگی (R)، شاخص پراکندگی(SI) و ضریب نش (NSC) برای مدل برتر GSGMDH در شرایط آموزش به‌ترتیب مساوی با 913/0، 214/0 و 800/0 تخمین زده شدند. با توجه به نتایج تحلیل حساسیت، پارامترهای پارامترهای ضریب شکل سرریزهای سنگی (φ)، نسبت اختلاف عمق جریان در بالادست و پائین‌دست تله سنگی برابر به ارتفاع سازه (y/hstΔ) و عدد فرود تراکمی (Fd) به‌عنوان موثرترین پارامترهای ورودی معرفی گردیدند. تحلیل عدم قطعیت نشان داد که مدل GSGMDH برتر دارای یک عملکرد کمتر از واقعی بود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  3 - پیش بینی کمیت پسماند شهری با استفاده از مدل‌های هوشمند و آنالیز عدم قطعیت آن ها
  مریم عباسی ملیحه فلاح نژاد روح الله نوری مریم میرابی
  10.30495/jest.2020.11144
  زمینه و هدف: اولین قدم برای طراحی سیستم‌های مدیریت پسماند شهری، آگاهی کامل از کمیت پسماند تولیدی می باشد. پیش‌بینی کمیت تولید پسماند به دلیل تاثیر عوامل متنوع و خارج از کنترل، یکی از پیچیده‌ترین مسایل مهندسی می‌باشد. به همین خاطر، لزوم استفاده از مدل‌هایی که قابلیت مدل‌ أکثر

  زمینه و هدف: اولین قدم برای طراحی سیستم‌های مدیریت پسماند شهری، آگاهی کامل از کمیت پسماند تولیدی می باشد. پیش‌بینی کمیت تولید پسماند به دلیل تاثیر عوامل متنوع و خارج از کنترل، یکی از پیچیده‌ترین مسایل مهندسی می‌باشد. به همین خاطر، لزوم استفاده از مدل‌هایی که قابلیت مدل‌سازی پدیده‌های پیچیده را دارند، به خوبی روشن می‌باشد. هدف از این مطالعه، پیش بینی کمیت پسماند با استفاده از مدل های هوشمند، مقایسه عملکرد و آنالیز عدم قطعیت آن ها می باشدروش بررسی: در این مطالعه، شهر مشهد به عنوان مطالعه موردی انتخاب شد و از سری زمانی تولید پسماند در فاصله زمانی سال‌های 1380 تا 1390 برای پیش‌بینی هفتگی استفاده گردید. جهت مدل سازی از مدل های هوشمند شبکه عصبی، ماشین بردار پشتیبان، سیستم استنتاجی تطبیقی نروفازی و کا نزدیک ترین همسایه استفاده گردید. پس از بهینه سازی پارامترهای هر مدل، با استفاده از از شاخص های آماری، عملکرد مدل ها مورد مقایسه قرار گرفت. در نهایت، آنالیز عدم قطعیت نتایج مدل سازی با کمک روش مونت کارلو انجام گرفت.یافته ها: نتایج نشان داد که ضریب اطمینان (2R) مدل‌های شبکه عصبی، سیستم استنتاجی تطبیقی نروفازی، ماشین بردار پشتیبان و کا نزدیک‍ترین همسایه به ترتیب 67/0، 69/0، 72/0 و 64/0 می باشد. آنالیز عدم قطعیت نیز نتایج این مقایسه را تایید نمود و نشان داد مدل ماشین بردار پشتیبان در بین سایر مدل‌ها، عدم قطعیت کم‍تری داشته و نسبت به داده‌های ورودی کم‍ترین حساسیت را دارد.بحث و نتیجه گیری: مدل‌های هوشمند از توانایی رضایت‌بخشی برای پیش بینی کمی پسماند برخوردارند و در بین مدل‌های هوشمند مورد  مطالعه، مدل ماشین بردار پشتیبان بهترین نتایج را از خود نشان داد. همچنین، عدم قطعیت نتایج مدل ماشین بردار پشتیبان در بین سایر مدل‌ها، عدم قطعیت کم تری برخوردار بود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  4 - ارزیابی عدم قطعیت مدل‌های ANN و ANFIS در تخمین جریان ورودی به سد رئیس‌علی دلواری
  علی اسکندری روح اله نوری محمدرضا وصالی ناصح فریماه سعیدی
  10.22034/jest.2020.20068.2909
  زمینه و هدف: اطلاع دقیق از کمیت آب جاری در رودخانه‌ها تاثیر فراوان بر مدیریت کمی و کیفی منابع آب در جوامع وابسته با آن دارد. در این راستا هدف تحقیق حاضر ارزیابی عدم قطعیت در فرآیند تخمین جریان رودخانه شاپور، ورودی به سد رئیس‌علی دلواری، واقع در استان بوشهر می‌باشد. روش أکثر

  زمینه و هدف: اطلاع دقیق از کمیت آب جاری در رودخانه‌ها تاثیر فراوان بر مدیریت کمی و کیفی منابع آب در جوامع وابسته با آن دارد. در این راستا هدف تحقیق حاضر ارزیابی عدم قطعیت در فرآیند تخمین جریان رودخانه شاپور، ورودی به سد رئیس‌علی دلواری، واقع در استان بوشهر می‌باشد. روش بررسی: برای تخمین جریان ماهانه ورودی به سد رئیس‌علی دلواری از مدل‌‌های هوش مصنوعی شبکه عصبی مصنوعی (ANN) و سیستم استنتاج نروفازی تطبیقی (ANFIS) استفاده گردید. همچنین به منظور بهبود استفاده از نتایج این مدل‌ها در تصمیمات مدیریتی در بخش آب، تعیین عدم قطعیت هر یک از آن‌ها در فرآیند مدل‌سازی جریان انجام شد. در این راستا از نتایج شبیه‌سازی شده در اجرای هر مدل تحت الگوهای متفاوتی از داده‌های واسنجی، استفاده و برای ارزیابی عدم قطعیت هر مدل نیز از دو شاخص عرض محدوده اطمینان (d-factor) و 95 درصد عدم قطعیت پیش‌بینی‌ها واقع شده در این محدوده (95PPU) استفاده گردید. یافته‌ها: مطابق نتایج به دست آمده از مدل‌های ANN و ANFIS بهینه اجرا شده، مشخص گردید که اگر چه مقادیر آماره‌های ضریب تعیین (R2) و قدرمطلق میانگین خطاها (MAE) برای هر دو مدل از مقادیر مناسبی برخوردار بودند، اما عملکرد آن‌ها در برخی نقاط با دبی بالا با خطای قابل توجهی همراه بود. همچنین با بررسی نتایج عدم قطعیت مدل‌ها مشخص شد مدل ANFIS با مقدارd-factor کم‌تر و مقدار شاخص 95PPU بزرگ‌تر، از عدم قطعیت کم‌تری نسبت به مدل ANN برخوردار بود. بحث و نتیجه‌گیری: با توجه به عملکرد تقریباً یکسان هر دو مدل ANN و ANFIS در مراحل واسنجی و صحت‌سنجی، می‌توان مدل ANFIS را به عنوان مدل بهینه تخمین جریان ماهانه ورودی به سد رئیس‌علی دلواری به دلیل دارا بودن عدم قطعیت کم‌تر پیشنهاد نمود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  5 - ارزیابی اثرات زیست محیطی سد ایوشان با استفاده از روش ماتریس اصلاح شده لئوپولد و ماتریس
  مهدی کماسی بهرنگ بیرانوند
  با توجه به مواردی همچون تغییر اقلیم گسترده و در نتیجه افزایش خشکسالی، رشد جمعیت انسانی و به تبع آن افزایش تقاضای جهانی برای انرژی و آب، پروژه‌های بزرگ سدسازی افزایش یافته است. با این وجود بدون تحقیقات جامع، یک پروژه بزرگ مانند سد اثرات برگشت ناپذیر و پیش‎بینی نشده ز أکثر

  با توجه به مواردی همچون تغییر اقلیم گسترده و در نتیجه افزایش خشکسالی، رشد جمعیت انسانی و به تبع آن افزایش تقاضای جهانی برای انرژی و آب، پروژه‌های بزرگ سدسازی افزایش یافته است. با این وجود بدون تحقیقات جامع، یک پروژه بزرگ مانند سد اثرات برگشت ناپذیر و پیش‎بینی نشده زیادی را روی محیط زیست خواهد گذاشت. بررسی سوابق اجرای پروژه‎های سدسازی نشان می‎دهد که بسیاری از آنها بدون توجه به ملاحظات زیست محیطی طراحی و مورد بهره‎برداری قرار گرفته‌اند ازاین‎رومسبب بروز آلودگی‎های مختلف وتخریب بخش‎های عمده‎ای ازمنابع طبیعی گردیده‎اند. در این پژوهش ارزیابی اثرات زیست محیطی سد ایوشان در دو فاز ساختمانی و بهره‎برداری بر محیط‎های بیولوژیکی، فیزیکی- شیمایی، اقتصادی- اجتماعی، فرهنگی و استراتژیکی شناسایی و با استفاده از ماتریس اصلاح شده لئوپولد و ارزیابی اثرات سریع بررسی گردید. نتایج نشان داد که بیشترین اثرات و پیامدهای منفی در فازهای ساختمانی و بهره‎برداری در ماتریس ایرانی اصلاح شده و ماتریس ارزیابی اثرات سریع مربوط به محیط فیزیکی - شیمیایی می‎باشد. همچنین بیشترین اثرات و پیامدهای مثبت در فازهای ساختمانی و بهره‎برداری به ترتیب برای ماتریس لئوپولد اصلاح شده مربوط به محیط‎های استراتژیک و اقتصادی - اجتماعی و برای ماتریس ارزیابی اثرات سریع مربوط به محیط اقتصادی- اجتماعی برای هر دو فاز می‎باشد. نتایج به دست آمده تطابق بسیار مناسبی را بین دو ماتریس نشان می‌دهد و صحت نتایج را در ارزیابی زیست محیطی سد ایوشان در دو مرحله ساختمانی و بهره‌برداری تایید نماید تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  6 - Using the Ultrasonic Nondestructive Methods for Prediction of Mechanical Properties of AISI 4140 Alloy Steel
  محمد حمیدنیا فرهنگ هنرور
  Achieving the mechanical properties of steels after various manufacturing and heat treatment processes is significant and essential. In production lines, after producing the specific and standard samples, mechanical properties have been measured by destructive processes أکثر

  Achieving the mechanical properties of steels after various manufacturing and heat treatment processes is significant and essential. In production lines, after producing the specific and standard samples, mechanical properties have been measured by destructive processes which cause waste of cost and time. In addition, destructive techniques cannot detect the miniscule changes made in mechanical properties of steel during heat treatment processes. In this paper, the ultrasonic nondestructive method is used for accurate measuring the elastic properties of AISI 4140 steel samples which are heat treated at different levels. Each sample has its specific microstructure and hardness due to the heat treatment process it has gone through. The elastic properties of each sample are obtained by measuring the velocities of longitudinal and shear waves in each sample. On the other hand, for detecting the error resources and evaluation of precision of measuring method, uncertainty analysis is performed. A good agreement is noted between results obtained from ultrasonic measurements and available information in reference tables and it was shown that the ultrasonic technique can measure the elastic properties of AISI 4140 samples with high accuracy. In sum, achieved results show that the maximum value of mechanical properties belongs to the microstructure with higher hardness and with decreasing the hardness these properties, also, decline. تفاصيل المقالة