مقاله پیشبینی ارتفاع غوطه وری جریان غلیظ با استفاده از مدل تلاطمیRNG و شبکههای عصبی

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

  مقاله پیشبینی ارتفاع غوطه وری جریان غلیظ با استفاده از مدل تلاطمیRNG و شبکههای عصبی دارای ۱۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله پیشبینی ارتفاع غوطه وری جریان غلیظ با استفاده از مدل تلاطمیRNG و شبکههای عصبی  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 پیشبینی ارتفاع غوطه وری جریان غلیظ با استفاده از مدل تلاطمیRNG و شبکههای عصبی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله پیشبینی ارتفاع غوطه وری جریان غلیظ با استفاده از مدل تلاطمیRNG و شبکههای عصبی :

تعداد صفحات:۱۰
چکیده:
جریانهای غلیظ هرگاه به یک توده سیال سبکتر برخورد نمایند، یک ناحیه غوطهوری را ایجاد میکنند. با توجه به این که در ارتفاع غوطه وری مرز بین سیال غلیظ با سیال پیرامون در محل نقطه غوطه وری مشخص می گردد، برآورد این نقطه از اهمیت به سزایی برخوردار است. در این تحقیق پارامترهای هیدرولیکی جریان غلیظ و همچنین شیب بستر سیال ساکن که بر نقطه غوطه وری تاثیر گذار است، بررسی شده است. برای نیل به اهداف این تحقیق ابتدا یک مدل فیزیکی در آزمایشگاه هیدرولیک دانشگاه شهید چمران ساخته شد و آزمایش های مختلف در آن انجام گردید در همه آزمایش ها ارتفاع غوطهوری در دبیهای مختلف از سیال غلیظ و تفاوت دانسیته۶و۹و۱۳و۱۶گیلوگرم بر مترمکعب برای سه شیب۸و۱۲و۱۶ درصد اندازهگیری شد. سپس با استفاده از مدلFlow-3Dتحت شرایط مدل آشفتگیRNGارتفاع نقطه غوطه وری برای شرایط آزمایشگاهی موجود شبیه سازی شد. به منظور بررسی مقایسهای ابتدا با استفاده از شبکههای عصبی، عمق غوطه وری برآورد شده با استفاده از Flow-3Dتحت شرایط مدل آشفتگیRNGدر مقایسه با دادههای مشاهداتی در آزمایشگاه آموزش داده شده و سپس بهترین برازش با معماری شبکه بدست آمد. با توجه به محدودیتهای آزمایشگاهی و دادههای محدود در دسترس برای مایعات و هندسههای مختلف، از شبکههای عصبی برای پیش بینی عمق غوطهوری در این شرایط استفاده شد. نتایج نشان میدهد که شبکههای عصبی قابلیت بالایی برای پیشبینی و برازش عمق غوطهوری دارند.