ارزیابی عمق آبشستگی در اطراف پایه های پل ها به همراه انباشت موانع با استفاده از مدل درخت (MT)

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

 ارزیابی عمق آبشستگی در اطراف پایه های پل ها به همراه انباشت موانع با استفاده از مدل درخت (MT) دارای ۱۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد ارزیابی عمق آبشستگی در اطراف پایه های پل ها به همراه انباشت موانع با استفاده از مدل درخت (MT)  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 ارزیابی عمق آبشستگی در اطراف پایه های پل ها به همراه انباشت موانع با استفاده از مدل درخت (MT)،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن ارزیابی عمق آبشستگی در اطراف پایه های پل ها به همراه انباشت موانع با استفاده از مدل درخت (MT) :

تعداد صفحات :۱۰

چکیده مقاله:

همواره در جریان رودخانه های طبیعی، وجود موانعی نظیر : کنده و شاخه و برگ درختان باعث تشدید پدیده آبشستگی موضعی پایه های پل ها می گردد. از این رو، تخمین دقیق آبشستگی موضعی به همراه موانع مورد توجه مهندسان طراح بوده است. تحقیقات آزمایشگاهی محدودی در زمینه آبشستگی موضعی پایه های پل ها به همراه تاثیر موانع شناور صورت گرفته است و حاصل این آزمایشات، روابط تجربی می باشد که در شرایط مختلف هیدرولیک جریان از عمومیت کلی برخوردار نمی باشد. در بسیاری از موارد، این روابط تجربی دارای دقت پایین در تخمین عمق آبشستگی می باشند. از این رو، امروزه از روش های هوش مصنوعی جهت تخمین عمق آبشستگی در اطراف پایه پل ها استفاده می گردد. در این تحقیق، عمق آبشستگی موضعی پایه پل به همراه موانع شناور با استفاده از الگوریتم درخت (MT) تخمین زده شد و نتایج آن با روش شبکه عصبی مصنوعی پرسپترون چند لایه (MLP) و روابط تجربی مقایسه گردید. بدین ترتیب جهت مدلسازی آبشستگی موضعی پایه پل ها، داده های آزمایشگاهی از مطالعات محققین مختلف جمع آوری شده است که شامل پارامترهای مربوط به خصوصیات هیدرولیکی جریان، دانه بندی ذرات بستر رسوبی، قطر پایه پل و خصوصیات هندسی مانع شناور در اطراف پایه پل می باشند. نتایج حاصل از ارزیابی مدل پیشنهادی نشان داد که روش هوشمند MT با ضریب همبستگی (R) و ۰/۹۴ و جزر حداقل مربعات خطا (RMSE) و ۰/۳۴ در مقایسه با روش شبکه عصبی مصنوعی پرسپترون چند لایه (MLP) (R=0/86 و RMSE=0/36) و روابط تجربی پالیارا و کارناچینا (R=0/83 و RMSE=0/51) از دقت بالایی برخوردار می باشد.