پیوندهای مفید
آمار
| تعداد نشریات | 7 |
| تعداد شماره‌ها | 399 |
| تعداد مقالات | 5,389 |
| تعداد مشاهده مقاله | 5,287,993 |
| تعداد دریافت فایل اصل مقاله | 4,882,744 |
مدل‌سازی انتقال رسوب در لولههای دایروی صاف و زبر انتقال دهنده آب باران با استفاده از آنالیز فاکتوریل و روشهای هوشمند و تجربی | ||
| نشریه مهندسی عمران امیرکبیر | ||
| مقاله 12، دوره 53، شماره 6، شهریور 1400، صفحه 2435-2450 اصل مقاله (1.34 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/ceej.2020.17406.6553 | ||
| نویسندگان | ||
| رقیه قاسم پور1؛ کیومرث روشنگر* 2 | ||
| 1مهندسی و مدیریت منابع آب،دانشکده عمران، دانشگاه تبریز | ||
| 2گروه مهندسی آب، دانشگاه تبریز، ایران | ||
| چکیده | ||
| رسوب‌گذاری یکی از مشکلات جدی در لولههای انتقال آب و فاضلاب شهری است که انتقال جریان آب را مختل می‌کند. به دلیل پیچیدگی پدیده انتقال رسوب و وجود چندین پارامتر موثر در تخمین آن، تعیین روابط حاکم مشکل می‌باشد. در این تحقیق کارایی روش هوشمند رگرسیون فرآیند گاوسی (GPR) در تخمین انتقال رسوب در لولههای دایروی شکل انتقال دهنده آب باران در دو بستر صاف و زبر بررسی شده است. در این راستا، با استفاده از روش آنالیز فاکتوریل و با در نظر گرفتن مشخصات هیدرولیکی و ذرات رسوبی، ابتدا پارامترهای دارای همبستگی بیشتر با پارامتر انتقال رسوب در هر نوع لوله تعیین شد. سپس، با استفاده از این پارامترها مدل‌های متفاوتی تعریف گردید و با استفاده از سه سری داده آزمایشگاهی مورد بررسی قرار گرفت. همچنین، دقت نتایج حاصله با روشهای سنتی مقایسه شد. نتایج حاصله کارایی و برتری روش هوشمند GPR را در تخمین رسوب انتقالی از لولههای انتقال آب باران نسبت به معادلات تجربی مبتنی بر تکنیکهای رگرسیون غیرخطی نشان داد. برای دو لوله با شرایط هیدرولیکی اشاره شده، مدل با پارامترهای λs, Fm, Dgr, d50/y که به ترتیب بیانگر اندازه نسبی ذرات، اندازه بدون بعد ذرات، عدد فرود ذرات رسوب و ضریب اصطکاک کلی می‌باشند، مدل برتر به دست آمد. همچنین مشاهده شد که قطر لوله بر کارایی مدلها تاثیرگذار بوده و با افزایش قطر لوله دقت مدل افزایش مییابد. نتایج آنالیز حساسیت به دو روش فاکتوریل و حذفی نیز نشان داد که پارامتر d50/y تاثیرگذارترین پارامتر در مدل‌سازی است. | ||
| کلیدواژه‌ها | ||
| انتقال رسوب؛ رگرسیون فرایند گاوسی؛ روش آنالیز فاکتوریل؛ لوله با بستر صاف و زبر؛ لولههای انتقال آب | ||
| موضوعات | ||
| سیستم های انتقال آب؛ هیدرولیک؛ هیدرولیک رسوب | ||
| عنوان مقاله [English] | ||
| Sediment transport modeling in circular smooth and rough rainwater transport pipes using factorial analysis, intelligence and empirical methods | ||
| نویسندگان [English] | ||
| roghayeh ghasempour1؛ Kiyoumars Roushangar2 | ||
| 1Water resource engineering and management, Faculty of Civil Engineering, University of Tabriz, Tabriz, Iran | ||
| 2Civil Engineering Department, Tabriz University, Tabriz, Iran. | ||
| چکیده [English] | ||
| Sedimentation is one of the serious problems in water and urban wastewater transport pipes, which disturbs the transport of water flow. In this study, the capability of the intelligence Gaussian Process Regression (GPR) approach was investigated in predicting sediment transport in circular rainwater transport pipes with smooth and rough beds. In this regard, at first, the hydraulic and sediment parameters which had the most correlation with sediment transport were determined using factorial analysis. Then, different models were developed using these parameters and were investigated via three experimental data series. Also, the accuracy of the obtained results was compared with the traditional techniques. The results showed the high efficiency of the intelligent GPR model in the prediction of sediment transport in rainwater transport pipes compared to the empirical methods based on non-linear regression techniques. For the two-mentioned hydraulic conditions of pipes, the model with input parameters λs, Fm, Dgr, d50/y, which are relative sediment size, non-dimensional sediment size, Froude number of sediments, and total roughness coefficient, respectively, was obtained as a superior model. The factorial and omitted sensitivity analysis showed that d50/y was the most effective parameter in the estimation of sediment transport in both smooth and rough pipes. | ||
| کلیدواژه‌ها [English] | ||
| Factorial analysis method, Gaussian process regression, Sediment transport, Smooth and rough bed pipes | ||
|
سایر فایل های مرتبط با مقاله
|
||
| مراجع | ||
|
[1] R. W. P. May, Sediment transport in sewers, Hydraulic Research Station, Wallingford, England, Report IT 222, (1983). [2] J. Bertrand, P. Briat, O. Scrivener, Sewer sediment production and transport modeling: A literature review, Journal of Hydraulic Research. 5 (2010) 24-32. [3] D.S. Renaat, Validation of existing bed load transport formulas using in-sewer sediment. Journal of Hydraulic Engineering, 325 (2013) 37-48. [4] N. Vongvisessomjai, T. Tingsanchali, M. Babel, Non-deposition design criteria for sewers with part-full flow, Journal of Urban Water, 7(1) (2010) 61–77. [5] J. J. Ota, G. S. Perrusquia, Particle velocity and sediment transport at the limit of deposition in sewers, Water Science and Technology, 67(5) (2013) 959-967. [6] C. H. Bong, C. Chau, L. Qiu, Self-cleansing design of rectangular open storm sewer, 13th International Conference on Urban Drainage, Sarawak, Malaysia (2014). [7] K. Roushangar, R. Ghasempour, Monthly precipitation prediction improving using the integrated model based on kernel-wavelet and complementary ensemble empirical mode decomposition, Amirkabir Journal of Civil Engineering, DOI: 10.22060/ceej.2019.16043.6109, (2019). [in Persian] [8] C. Siviapragasam, S. Liong, M.F.K. Pasha, Rainfall and runoff forcasting with SSA-SVM approach, Journal of Hydroinformatics, 3(3) (2001) 141-152. [9] K. Roushangar, R. Ghasempour, The study of the performance of classical and artificial intelligence methods in the estimation of roughness coefficients in meander rivers, Irrigation and Drainage Journal of Iran, 12(4) (2019) 811-822. [in Persian] [10] W. Wang, K. Chau, C. T. Cheng, L. Qiu, A comparison of performance of several artificial intelligence methods for forecasting monthly discharge time series, Journal of Hydrology, 374(3-4) (2009) 294-306. [11] Z. Razzaghzadeh, V. Nourani, N. Behfar, The conjunction of feature extraction method with AI-based ensemble statistical downscaling models, Amirkabir Journal of Civil Engineering, DOI: 10.22060/ceej.2018.14986.5806, (2018). [in Persian] [12] S. Kumar, D. Tripathy, S. Nayak, S. Mohaparta, Prediction of rainfall in India using artificial neural network models, International Journal of Intelligent System and Applications, 12 (2013) 1-22. [13] D. Nayak, A. Mahapatra, P. Mishra, A survey on rainfall prediction using artificial neural network, International Journal of Computer Applications, 72(16) (2013) 32-40. [14] ASCE, Task Committee on Application of Artificial Neural Networks in Hydrology, Artificial Neural Networks in hydrology. I: Preliminary concepts, Hydrological Engineering, ASCE. 5(2) (2000) 115-123. [15] I. Ebtehaj, B. Bonakdari, Evaluation of sediment transport in sewer using artificial neural network. Engineering Applications of Computational Fluid Mechanics, 7(3) (2013) 382–392. [16] B. Bonakdari, I. Ebtehaj, I, Comparison of two data-driven approaches in estimation of sediment transport in sewer pipe. In E-proceedings of the 36th IAHR World Congress (pp. 1-11) (2015).. [17] I. Ebtehaj, B. Bonakdari, M. Safari, B. Gharabaghi, A. Zaji, H. Madavar, Z. Khozani, M. Es-haghi, A. Shishegaran, A. Mehr, Combination of sensitivity and uncertainty analyses for sediment transport modeling in sewer pipes. International Journal of Sediment Research, 35(2) (2020) 157-170. [18] A. Ghani, Sediment Transport in Sewers, Ph.D Thesis, University of Newcastle Upon Tyne, UK, (1993). [19] R. W. P. May, P. M. Brown, G. R. Hare, K. D. Jones, Self-cleansing conditions for sewers carrying sediment, Report SR 221, Hydraulics Research Ltd., Wallingford, England, (1989). [20] C.E. Rasmussen, C.K.I. Williams, Gaussian Processes for Machine Learning. The MIT Press, Cambridge, MA, (2006). [21] C. Ferreria, 2001. Gene expression programming: a new adaptive algorithm for solving problems, Journal of Complex System 13(2) (2001) 87–129. [22] U. Tezcan, F. Ates, N. Erginel, O. Ozcan, E. Oduncu, Adsorption of disperse orange 30 dye onto activated carbon derived from Holm Oak (Quercus Ilex) acorns: A 3k factorial design and analysis, Environmental Management, 155 (2015) 77- 89. [23] P. Neilson, 1992. Coastal bottom boundary layers and sediment transport, Advanced Series on Ocean Engineering, Vol.4, World Scientific, Singapore, (1992). [24] P. Ackers, Sediment aspects of drainage and outfall design. Proc. Intern, Symposium on Environmental Hydraulics, Hong Kong, (1991). [25] R. Mayerle, Sediment transport in rigid boundary channels, PhD thesis, University of Newcastle upon Tyne, England, (1988). [26] E. M. Laursen, The hydraulics of a storm-drain system for sediment transporting flow, Bull. No 5, Iowa Institute of Hydraulic Research, (1956). [27] R. W. P. May, Sediment transport in pipes and sewers with deposited beds. Report SR 320.25. Hydraulic Research Ltd., Wallingford, England, (1993). | ||
|
آمار تعداد مشاهده مقاله: 524 تعداد دریافت فایل اصل مقاله: 665 |
||
