پیوندهای مفید
آمار
| تعداد نشریات | 8 |
| تعداد شماره‌ها | 425 |
| تعداد مقالات | 5,550 |
| تعداد مشاهده مقاله | 6,508,810 |
| تعداد دریافت فایل اصل مقاله | 5,557,163 |
پیشبینی دبی جریان در کانال مرکب مستقیم با استفاده از روش دسته‌بندی گروهی داده‌ها | ||
| نشریه مهندسی عمران امیرکبیر | ||
| مقاله 3، دوره 51، شماره 4، مهر و آبان 1398، صفحه 645-656 اصل مقاله (1.19 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/ceej.2018.13841.5488 | ||
| نویسندگان | ||
| عباس پارسائی1؛ شادی نجفیان2؛ عبدالرضا ظهیری* 3 | ||
| 1دانشجوی دکتری، مهندسی سازه‌های آبی، دانشگاه لرستان، خرم آباد، ایران | ||
| 2دانشجوی دکتری، مهندسی سازه‌های آبی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان ، گلستان، ایران | ||
| 3گروه مهندسی سازه‌های آبی، دانشکده آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گلستان، ایران | ||
| چکیده | ||
| پیشبینی دبی جریان در کانال‌های مرکب یکی از مهمترین مسائل مهندسی هیدرولیک است. از مهمترین پارامترهای جریان در کانال‌های مرکب نیز می‌توان به تنش برشی ظاهری اشاره کرد که در اثر اختالف سرعت جریان در کانال اصلی و سیلاب دشت‌ها در محل اتصال کانال اصلی به سیلاب دشت‌ها به وجود می‌آید. تنش برشی ظاهری باعث ایجاد آشفتگی و گردابه‌های سه بعدی در مرز کانال اصلی و سیلاب دشت‌ها و نیز کاهش دبی کل جریان می‌گردد. در این پژوهش، دبی جریان در کانال‌های مرکب مستقیم با استفاده از روش‌های تجربی، روش دسته‌بندی گروهی داده‌ها و شبکه عصبی چند لایه مدلسازی و پیشبینی شد. پارامترهای بی‌بعد مورد استفاده بدین منظور عبارتند از عمق نسبی جریان، شعاع هیدرولیکی نسبی، مساحت نسبی و زبری نسبی. نتایج نشان داد که روش دسته‌بندی گروهی داده‌ها با ضریب تبیین 0/91 و ریشه میانگین مربعات خطای 0/057 دارای مناسب‌ترین عملکرد در تخمین دبی جریان در کانال‌های مرکب است. بررسی ساختار روش دسته‌بندی گروهی داده‌های توسعه داده شده نشان می‌دهد که عمق نسبی جریان و مساحت نسبی تأثیر بیشتری را در مدلسازی ظرفیت کانال‌های مرکب دارند. بررسی عملکرد مدل شبکه عصبی چند لایه توسعه داده شده نشان می‌دهد که این مدل با ضریب تبیین 0/82 و ریشه مربعات خطای 0/065 دارای دقت بیشتری نسبت به روش‌های تجربی است. تحلیل حساسیت شبکه عصبی چند لایه نشان داد که پارامترهای شیب طولی، عمق و مساحت نسبی تأثیر بیشتری در دقت پیشبینی جریان دارند که این نکته ساختار به دست آمده از روش دسته‌بندی گروهی داده‌ها را تأیید می‌نماید | ||
| کلیدواژه‌ها | ||
| مدیریت سیلاب؛ عمق نسبی؛ مهندسی رودخانه؛ شبکه عصبی؛ روش دسته‌بندی گروهی داده ها | ||
| موضوعات | ||
| سازه های هیدرولیکی؛ مهندسی رودخانه؛ مهندسی محیط زیست؛ هیدرولیک | ||
| عنوان مقاله [English] | ||
| Prediction of Flow Discharge in Compound Open Channels Using Group Method of Data Handling | ||
| نویسندگان [English] | ||
| Abbas Parsaie1؛ Shadi Najafian2؛ Abdolreza Zahiri3 | ||
| 1Ph.D. Candidate of Hydro-Structure Engineering, Water Engineering Department, Lorestan University, Khorramabad, Iran. | ||
| 2Ph.D. Candidate of Hydro-Structure Engineering, Water Engineering Department, Gorgan University, Golestan, Iran. | ||
| 3Associate professor in Water Engineering, Gorgan University of Agricultural Sciences and Natural, Golestan, Iran. | ||
| چکیده [English] | ||
| Prediction of flow through the compound open channel is one of the main problems in the field of hydraulic engineering. One of the main parameter related to the flow properties in the compound open channel is shear stress. The shear stress occurs because of difference of velocities between the main channel and floodplains. The shear stress is the main causes of turbulence and vortex creation on the border of main channel and floodplains. The difference between the roughness of main channel and floodplains intensifies the shear stress in the border zone and also decreases total flow discharge. In this paper, the flow discharge in compound open channels was predicted using group method of data handling technique. To do this, related dataset was collected from literature. Involved parameters in modeling are relative hydraulic depth (Hr ), relative hydraulic radius (Rr ), relative roughness (fr ) and relative area (Ar ). To compare the performance of GMDH with other types of soft computing methods, the MLPNN as most well[1]known soft computing technique was developed as well. Results indicated that the GMDH model with coefficient of determination 0.91 and root means square error 0.057 was more accurate than the MLPNN. Reviewing the structure of developed GMDH model showed that and are the most effective parameters on prediction of flow discharge in compound open channels. | ||
| کلیدواژه‌ها [English] | ||
| Flood Management, Depth Ratio, River Engineering, Artificial Neural Network, GMDH | ||
|
سایر فایل های مرتبط با مقاله
|
||
| مراجع | ||
|
[1] P. Ackers, Flow formulae for straight two-stage channels, Journal of Hydraulic Research, 31(4) (1993) 509-531. [2] S. Atabay, D. Knight, 1-D modelling of conveyance, boundary shear and sediment transport in overbank flow, Journal of Hydraulic Research, 44(6) (2006) 739-754. [3] H.M. Azamathulla, A.H. Haghiabi, A. Parsaie, Prediction of side weir discharge coefficient by support vector machine technique, Water Science and Technology: Water Supply, 16(4) (2016) 1002-1016. [4] H. Bashiri-Atrabi, K. Qaderi, D.E. Rheinheimer, E. Sharifi, Application of harmony search algorithm to reservoir operation optimization, Water Resources Management, 29(15) (2015) 5729-5748. [5] D. Bousmar, Y. Zech, Momentum transfer for practical flow computation in compound channels, Journal of hydraulic engineering, 125(7) (1999) 696- 706. [6] P. Conway, J.J. O'Sullivan, M.F. Lambert, Stage– discharge prediction in straight compound channels using 3D numerical models, Proceedings of the Institution of Civil Engineers, Water [7] Management, 166 (1) (2012) 3-15. [8] M. Filonovich, R. Azevedo, L. Rojas-Solórzano, J. Leal, Credibility analysis of computational fluid dynamic simulations for compound channel flow, Journal of Hydroinformatics, 15(3) (2013) 926-938. [9] F. Huthoff, P.C. Roos, D.C. Augustijn, S.J. Hulscher, Interacting divided channel method for compound channel flow, Journal of hydraulic engineering, 134(8) (2008) 1158-1165. [10] S. Ikeda, I.K. McEwan, Flow and sediment transport in compound channels: the experience of Japanese and UK research, CRC Press, 2009. [11] A.G. Ivakhnenko, Polynomial theory of complex systems, IEEE transactions on Systems, Man, and Cybernetics, 1(4) (1971) 364-378. [12] K. Khatua, K. Patra, P. Mohanty, Stage-discharge prediction for straight and smooth compound channels with wide floodplains, Journal of hydraulic Engineering, 138(1) (2011) 93-99. [13] D. Knight, J. Demetriou, M. Hamed, Stage discharge relationships for compound channels, in: Channels and Channel Control Structures, Springer Berlin Heidelberg, (1984) 445-459. [14] T. Koftis, P. Prinos, Reynolds stress modelling of flow in compound channels with vegetated floodplains, Journal of Applied Water Engineering and Research, (2016) 1-11. [15] H. Kordi, R. Amini, A. Zahiri, E. Kordi, Improved Shiono and Knight method for overflow modeling, Journal of Hydrologic Engineering, 20(12) (2015) 04015041. [16] A. Mohanta, K. Khatua, K. Patra, Flow Modeling in Symmetrically Narrowing Flood Plains, Aquatic Procedia, 4 (2015) 826-833. [17] M. Najafzadeh, G.-A. Barani, H.M. Azamathulla, GMDH to predict scour depth around a pier in cohesive soils, Applied ocean research, 40 (2013) 35- 41. [18] M. Najafzadeh, M.R. Balf, E. Rashedi, Prediction of maximum scour depth around piers with debris accumulation using EPR, MT, and GEP models, Journal of Hydroinformatics, 18(5) (2016) 867-884. [19] M. Najafzadeh, A.M. Sattar, Neuro-fuzzy GMDH approach to predict longitudinal dispersion in water networks, Water Resources Management, 29(7) (2015) 2205-2219. [20] M. Najafzadeh, A. Tafarojnoruz, Evaluation of neuro-fuzzy GMDH-based particle swarm optimization to predict longitudinal dispersion coefficient in rivers, Environmental Earth Sciences, 75(2) (2016) 157. [21] M. Najafzadeh, A.R. Zahiri, Neuro-fuzzy GMDH- based evolutionary algorithms to predict flow discharge in straight compound channels, 20(12) (2015) 04015035. [22] A. Parsaie, A.H. Haghiabi, Predicting the longitudinal dispersion coefficient by radial basis function neural network, Modeling earth systems and environment, 1(4) (2015) 34. [23] A. Parsaie, S. Najafian, M.H. Omid, H. Yonesi, Stage discharge prediction in heterogeneous compound open channel roughness, ISH Journal of Hydraulic Engineering, 23(1) (2017) 49-56. [24] A. Parsaie, S. Najafian, H. Yonesi, Flow discharge estimation in compound open channel using theoretical approaches, Sustainable Water Resources Management, 2(4) (2016) 359-367. [25] A. Parsaie, H. Yonesi, S. Najafian, Prediction of flow discharge in compound open channels using adaptive neuro fuzzy inference system method, Flow Measurement and Instrumentation, 54 (2017) 288- 297. [26] A. Parsaie, H.A. Yonesi, S. Najafian, Predictive modeling of discharge in compound open channel by support vector machine technique, Modeling Earth Systems and Environment, 1(1-2) (2015) 1. [27] M. Sahu, K. Khatua, S. Mahapatra, A neural network approach for prediction of discharge in straight compound open channel flow, Flow Measurement and Instrumentation, 22(5) (2011) 438-446. [28] K. Shiono, D.W. Knight, Turbulent open-channel flows with variable depth across the channel, Journal of Fluid Mechanics, 222 (1991) 617-646. [29] G. Seckin, A comparison of one-dimensional methods for estimating discharge capacity of straight compound channels, Canadian Journal of Civil Engineering, 31(4) (2004) 619-631. [30] X. Tang, D.W. Knight, Lateral distributions of streamwise velocity in compound channels with partially vegetated floodplains, Science in China Series E: Technological Sciences, 52(11) (2009) 3357- 3362. [31] P. Wormleaton, D. Merrett, An improved method of calculation for steady uniform flow in prismatic main channel/flood plain sections, Journal of Hydraulic Research, 28(2) (1990) 157-174. [32] H.A. Yonesi, M.H. Omid, S.A. Ayyoubzadeh, The hydraulics of flow in non-prismatic compound channels, J Civil Eng Urban, 3(6) (2013) 342-356. [33] C.L. Yen, D.E. Overton, Shape Effects on Resistance in Flood Plain Channels, Journal of the Hydraulics Division, ASCE, 99 (HY1) (1973) 21 9-238. | ||
|
آمار تعداد مشاهده مقاله: 1,932 تعداد دریافت فایل اصل مقاله: 1,513 |
||
