مقاله پیش بینی افت انرژی نسبی و بررسی تاثیر شیب منفی پله بر میزان افت انرژی نسبی در الگوی جریان غیرریزشی در سرریزهای پلکانی با استفاده از شبکه عصبی مصنوعی

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

  مقاله پیش بینی افت انرژی نسبی و بررسی تاثیر شیب منفی پله بر میزان افت انرژی نسبی در الگوی جریان غیرریزشی در سرریزهای پلکانی با استفاده از شبکه عصبی مصنوعی دارای ۱۶ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله پیش بینی افت انرژی نسبی و بررسی تاثیر شیب منفی پله بر میزان افت انرژی نسبی در الگوی جریان غیرریزشی در سرریزهای پلکانی با استفاده از شبکه عصبی 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 پیش بینی افت انرژی نسبی و بررسی تاثیر شیب منفی پله بر میزان افت انرژی نسبی در الگوی جریان غیرریزشی در سرریزهای پلکانی با استفاده از شبکه عصبی مصنوعی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله پیش بینی افت انرژی نسبی و بررسی تاثیر شیب منفی پله بر میزان افت انرژی نسبی در الگوی جریان غیرریزشی در سرریزهای پلکانی با استفاده از شبکه عصبی مصنوعی :

تعداد صفحات:۱۶

چکیده:

سرریزهای پلکانی یک روش معمول در سدهای بتنی غلتکی RCC و سدهای کابیونی هستند در سالهای گذشته در مدل های ازمایشگاهی و مدلهای عددی انجا م شده در مورد سرریز های پلکانی بیشتر به سرریزهای پلکانی ساده توجه شده است و به انواع دیگر سرریز از جمله با پله شیب دار کمتر مورد توجه بوده است مطالعات با مدلهای ازمایشگاهی برخلاف روشهای عددی مستلزم صرف وقت و هزینه زیادی می باشد دراین تحقیق با بهره گیری ا زنرم افزار متلب به تربیت یک شبکه عصبی مصنوعی مناسب جهت محاسبه افت انرژی نسبی در سرریز پلکانی پرداخته می شود دراین تحقیق که با توجه به نتایج ازمایشات چیناراسی ونگوایز ارائه گردیده است به این مسئله پرداخته می شود و با توجه به انجام تستهای مختلف با ساخت شبکه های عصبی با لایه های مخفی و نرونهای متفاوت در نهایت بهترین همبستگی با دولایه مخفی لایه اول با ۸ نرون و لایه دوم ۹ نروم باتابع آزموش LM بدست امده است و تطابق مناسب نتایج حاصل از تربیت شبکه عصبی مصنوعی پیشخور با نتایج ازمایشگاهی با P-value برای داده های اموزش شبکه ۰۹۵۳۶۰۵ و برای داده ای ازمون شبکه ۰۸۰۹۷۷ بخوبی ملاحظه شده است.