مقاله بررسی عددی جریان در حوضچه رسوبگیر و بهینه یابی هندسه حوضچه با استفاده از مدل فازی عصبی و الگوریتم ژنتیک

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

  مقاله بررسی عددی جریان در حوضچه رسوبگیر و بهینه یابی هندسه حوضچه با استفاده از مدل فازی عصبی و الگوریتم ژنتیک دارای ۱۸ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله بررسی عددی جریان در حوضچه رسوبگیر و بهینه یابی هندسه حوضچه با استفاده از مدل فازی عصبی و الگوریتم ژنتیک  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 بررسی عددی جریان در حوضچه رسوبگیر و بهینه یابی هندسه حوضچه با استفاده از مدل فازی عصبی و الگوریتم ژنتیک،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله بررسی عددی جریان در حوضچه رسوبگیر و بهینه یابی هندسه حوضچه با استفاده از مدل فازی عصبی و الگوریتم ژنتیک :

تعداد صفحات:۱۸
چکیده:
در یک حوضچه رسوبگیر جهت تامین شرایط مناسب رسوبگذاری داشتن جریانی آرام و یکنواخت امری ضروری است. واضح است که نواحی گردابهای در حوضچههای رسوبگذاری بهوجود می آیند. ایجاد این نواحی اثرات متفاوتی بر رسوبگذاری خواهدداشت. غیریکنواختی سرعت و وجود گردابه- های کوچک در سطح و جتهای بزرگ در کف حوضچهها رفتار اندرکنشی بریکدیگر خواهند داشت. چندین روش برای کاهش اندازه این نواحی و بالتبع افزایش عملکرد این حوضچهها وجود دارد. یکی از این روشها استفاده از موانع می باشد. در این تحقیق بهطور همزمان اثر دو پارامتر ارتفاع و محل موانع بر رفتار حوضچه مورد بررسی قرار گرفتهاست. با توجه به مزایای ذکر شده در مورد حوضچه های رسوب گیر هدف این تحقیق در انتها بهینه کردن هندسه موانع که کمترین سرعت متوسط در طول حوضچه با توجه به شرایط ذکر شده در تحقیق را داراست می باشد. به همین منظور از مدل سیستم استنتاج فازی – عصبیANFIS و الگوریتم ژنتیک برای بهینه یابی استفاده گردیده است. برای ساخت سیستم استنتاج فازی و سپس محاسبه سرعت متوسط کل جریان بر پایه الگوی ورودی و خروجی در دسترس میتوان از مدلANFISبهره جست. برای این منظور مجموعا ۴۸ زوج داده استفاده گردید. که ۸۰ درصد داده ها برای آموزش مدلANFISو ۲۰ درصد داده ها برای ارزیابی مدل بکار گرفته شده است و با بکار گیری الگوریتم ژنتیک و تعریف تابع هدف کمینه سازی هزینه (حجم بتن ریزی) موانع با ارضای شرایط هیدرولیکی دلخواه و مناسب به بهینه یابی حوضچه رسوبگیر پرداخته شد