پیوندهای مفید
آمار
| تعداد نشریات | 7 |
| تعداد شماره‌ها | 399 |
| تعداد مقالات | 5,389 |
| تعداد مشاهده مقاله | 5,288,178 |
| تعداد دریافت فایل اصل مقاله | 4,882,913 |
مدل‌های پیش‌بینی برای برآورد گرادیان خروجی و زیرفشار تحت تأثیر فیلتر پایین‌دست | ||
| نشریه مهندسی عمران امیرکبیر | ||
| مقاله 3، دوره 51، شماره 6، بهمن و اسفند 1398، صفحه 1129-1144 اصل مقاله (1.03 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/ceej.2018.14461.5661 | ||
| نویسندگان | ||
| میثم نوری* 1؛ فرزین سلماسی2؛ چواد پارسا1 | ||
| 1دانشگاه تبریز | ||
| 2Tabriz University, Agricultural faculty, Irrigation department | ||
| چکیده | ||
| در مطالعه در مطالعه حاضر تأثیر فیلتر واقع در پایین‌دست سازه‌های آبی بر کاهش مقادیر زیر فشار و گرادیان خروجی مورد بررسی قرار گرفت. تأثیر پارامترهای موثر فیلتر از جمله طول و فاصله از پایین‌دست سازه و همچنین بار آبی بالادست مورد بررسی واقع شد. نتایج نشان داد همواره با طرح فیلتر با نسبتHL به میزان 0/057، مقدار زیرفشار به میزان60 درصد در پایین‌دست و به میزان 10درصد در بالادست کاهش خواهد یافت و تأثیر فیلتر بر کاهش مقادیر زیرفشار در قسمت‌های انتهایی کف سازه قابل توجه می‌باشد. با افزایش طول فیلتر همواره گرادیان خروجی کاهش پیدا می‌کند و با فاصله گرفتن از پایین‌دست سازه، میزان تأثیر فیلتر بر کاهش گرادیان افزایش پیدا می‌کند. تأثیر طول فیلتر بر کاهش گرادیان همانند زیرفشار، با طرح فیلتر با نسبت HL برابر با 0/057، مناسب( 65 درصد کاهش) و قابل ملاحظه می‌باشد که با افزایش طول، گرادیان با شیب کمتری کاهش پیدا می‌کند. در آخر، از مدل رگرسیونی و مدل‌های هوش مصنوعی شامل : شبکه توابع پایه شعاعی( RBF)، شبکه چند لایه پیشخور( MLP) و ماشین بردار پشتیبان( SVM) برای برآورد زیرفشار و گرادیان خروجی با وجود فیلتر استفاده شد. با مقایسه این مدل‌ها با استفاده از معیارهای MAE ، RMSE و 2R ، مدل رگرسیونی به عنوان مناسب‌ترین مدل و SVM به عنوان ضعیف‌ترین مدل در برآورد زیرفشار و گرادیان معرفی شد. | ||
| کلیدواژه‌ها | ||
| فیلتر؛ گرادیان هیدرولیکی؛ توزیع زیرفشار؛ روش المان محدود؛ روش‌های هوش مصنوعی | ||
| موضوعات | ||
| آب های زیر زمینی؛ اندرکنش خاک و آب و سازه؛ پایداری شیروانی های خاکی؛ سازه های هیدرولیکی؛ سیستم های انتقال آب؛ محیط های متخلخل؛ مخازن سدها؛ مدیریت منابع آب؛ مهندسی رودخانه؛ مهندسی محیط زیست؛ هیدرولیک؛ هیدرولیک سدها | ||
| عنوان مقاله [English] | ||
| Prediction models for estimation of exit hydraulic gradient and uplift pressure under the influence of downstream filter | ||
| نویسندگان [English] | ||
| Farzin Salmasi2؛ Javad Parsa1؛ | ||
| 2tabriz university | ||
| چکیده [English] | ||
| This study investigates the impact of filter which is located in downstream of the hydraulic structures for reduction of uplift pressure and hydraulic gradient. Effective parameters for design of filter are: length of filter (L), distance from downstream of structure (X) and upstream water head (H). The outcomes of this study showed that design of filter with L/H equal to 0.057, results 60% reduction of downstream uplift pressure and 10% reduction of upstream uplift pressure. Thus the effect of filter in uplift pressure in downstream of floor is impressive. By increasing the filter length, exit hydraulic gradient always decreases and with increasing the distance of downstream (X), the effect of filter in reduction exit gradient increases. Design of filter with L/H equal to 0.057 have a good impact on exit hydraulic gradient reduction (65%), witch by increasing the length of filter, hydraulic gradient reduction will be reduced. Finally, regression and artificial intelligence models (RBF, MLP and SVM) were used for prediction of uplift pressure and exit hydraulic gradient in structure with filter. Comparison of these models base on two error measurements (R2, RMSE and MAE) demonstrated that regression model is a suitable model and SVM as a poor model in prediction of uplift pressure and hydraulic gradient. | ||
| کلیدواژه‌ها [English] | ||
| Filter, hydraulic gradient, Uplift pressure, Finite element method, Artificial intelligence methods | ||
|
سایر فایل های مرتبط با مقاله
|
||
| مراجع | ||
|
[1] R. Hasan, Embankment Dams, 2004. [2] H. Khalili Shayan, E. Amiri-Tokaldany, Effects of blanket, drains, and cutoff wall on reducing uplift pressure, seepage, and exit gradient under hydraulic structures, International Journal of Civil Engineering,13(4)(2015)486-500. [3] S. Mcloughlin, A. Ahmed, Seepage under Hydraulic Structures Provided with an Intermediate Filter, in, .2102 [4] M. Farouk, I. Smith, Design of hydraulic structures with two intermediate filters, Applied Mathematical Modelling, 24 (2000) 779-794. [5] A. Kumar, B. Singh, A.S. Chawla, Design of Structures With Intermediate Filters, Journal of Hydraulic Engineering, 112(3) (1986) 206-219. [6] W.H. AL-Musawi, A.-H.K. Shukur, A.A.A. Al-Delewy, Optimum Design of Control Devices for Safe Seepage under Hydraulic Structures, in, 2006. [7] F. Salmasi, M. Nouri, Effect of upstream semiimpervious blanket of embankment dams on seepage, ISH Journal of Hydraulic Engineering, 25(2) (2019) 143-152. [8] D. Petković, M. Gocic, S. Trajkovic, S. Shamshirband, S. Motamedi, R. Hashim, H. Bonakdari, Determination of the most influential weather parameters on reference evapotranspiration by adaptive neurofuzzy methodology, Computers and Electronics in Agriculture, 114 (2015) 277-284. [9] G. Tayfur, D. Swiatek, A. Wita, V.P. Singh, Case Study: Finite Element Method and Artificial Neural Network Models for Flow through Jeziorsko Earthfill Dam in Poland, Journal of Hydraulic Engineering, 131(6) (2005) 431-440. [10] A.M.A. Sattar, Gene expression models for prediction of dam breach parameters, Journal of Hydroinformatics, 16(3) (2013) 550-571. [11] D.N. Ural, M. Tolon, Slope Stability during Earthquakes: A Neural Network Application, in: GeoCongress 2008, 2008, pp. 878-885. [12] SEEP/W. Seepage Modeling with SEEP/W. GeoSlope International Ltd, Calgary, 2012. [13] H, Khalili Shayan. E. Amiri Tokaldany, experimental and Numerical investigation of bligh and lane creep theorem in prediction of diversion dams uplift, 10th Iranian hydraulic conference, 2011. [14] USBR, Embankment dams, Department of interior bureau of reclamation, 2014. [15] S. Haykin, Neural Networks, A Comprehensive Foundation, Prentice-Hall Inc.NJ, 1999. [16] V.P. N. Dehghani, S. Khanmohammadi, assessment of MLP and RBF model in prediction of Monthly evaporation, in: 2th National Conference on Sustainable development Agriculture and Healthy Environment, Iran, 2013. [17] Y.B. Dibike, D.P. Solomatine, River flow forecasting using artificial neural networks, Physics and Chemistry of the Earth, Part B: Hydrology, Oceans and Atmosphere, 26(1) (2001) 1-7. [18] T. Kavzoglu, I. Colkesen, A kernel functions analysis for support vector machines for land cover classification, International Journal of Applied Earth Observation and Geoinformation, 11(5) (2009) 352359. [19] B. Guo, S.R. Gunn, R.I. Damper, J.D.B. Nelson, Customizing Kernel Functions for SVM-Based Hyperspectral Image Classification, IEEE Transactions on Image Processing, 17(4) (2008) 622-629. | ||
|
آمار تعداد مشاهده مقاله: 802 تعداد دریافت فایل اصل مقاله: 765 |
||
