مقاله تخمین عمق آبشستگی ناشی از جت پیش هوادهی شده با استفاده از هوش مصنوعی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله تخمین عمق آبشستگی ناشی از جت پیش هوادهی شده با استفاده از هوش مصنوعی دارای ۱۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله تخمین عمق آبشستگی ناشی از جت پیش هوادهی شده با استفاده از هوش مصنوعی  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله تخمین عمق آبشستگی ناشی از جت پیش هوادهی شده با استفاده از هوش مصنوعی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله تخمین عمق آبشستگی ناشی از جت پیش هوادهی شده با استفاده از هوش مصنوعی :

تعداد صفحات:۱۰
چکیده:
جریان عبوری از سیستمهای تخلیه سیلاب اغلب به صورت جتهای ریزشی خارج میشود که این امر میتواند منجر به آبشستگی با ابعاد مختلف در رودخانه پایاب و اطراف این سازه ها گردد. پیش بینی ابعاد حفره آبشستگی، از مسایل چالش برانگیز علم هیدرولیک محسوب میگردد. ابعاد و مشخصات حفره آبشستگی متأثر از متغیرهای متعددی از قبیل پارامترهای جریان، مشخصات بستر آبرفتی، زمان و هندسه آبراهه و همچنین ارتفاع ریزش میباشد. با افزایش میزان ارتفاع ریزش در جتهای ریزشی، میزان غلظت هوای ترکیب شده با جت افزایش یافته و منجر به کاهش اثر مغزه جت بر میزان عمق آبشستگی می گردد. از آنجایی که ساخت مدل فیزیکی مشکلات و محدودیتهایی به همراه دارد و معمولا در تعیین نگاشت میان پارامترهای موثر بر آبشستگی نمیتوان اثر دقیق همه پارامترها را در نظر گرفت، لذا در مقاله حاضر بهینه یابی ابعاد حفره آبشستگی ناشی از جتهای ریزشی با استفاده از هوش مصنوعی مورد توجه قرار گرفته است. در این راستا از داده های آزمایشگاهی حاصل از بررسی اثرهوادهی جت بر عمق آبشستگی استفاده شده است. تحقیق حاضر پیرامون کاربرد سیستم هوشمند در تعیین اثر میزان هوای ورودی درون جت خروجی از نازل مستغرق بر ابعاد آبشستگی ارائه گردیده است. در این راستا ابتدا با استفاده از ۸۰ درصد داده های آزمایشگاهی نسبت به آموزش شبکه عصبی مصنوعی اقدام گردید. سپس با استفاده از ۲۰ درصد از داده های آزمایشگاهی دیگر که هیچ نقشی را در هنگام آموزش شبکه عصبی ایفا ننموده اند نسبت به صحت سنجی نتایج حاصل از شبکه هوشمند یاد شده مبادرت ورزیده شد. بررسیهای آماری صورت گرفته بر پارامترهای مختلف هیدرولیکی موثردر عمق آبشستگی نشان میدهد که حداکثر خطای حاصله در اثر استفاده از مدل شبکه عصبی مصنوعی در تخمین عمق حفره آبشستگی ۱۰۳درصد و حداکثر خطای مقدار نظیر به هنگام استفاده از معادله رگرسیون غیر خطی معادل ۳۵ میباشد. از طرفی بین مقادیر ابعاد حفره آبشستگی پیش بینی شده توسط شبکه عصبی مصنوعی از ضریب همبستگی ۰۹۹ برخوردار است.