كاربرد شبكه‌هاي عصبي مصنوعي در مهندسي رودخانه

رسوبات انتقالي توسط رودخانه‌ها مشكلات زيادي خصوصاً جهت بهره‌برداري از سدها و سازه‌هاي آبي به وجود مي‌آورند. در ده‌هاي اخير تحقيقات بزرگي براي درك مكانيسم انتقال رسوب در جريان‌هاي طبيعي صورت گرفته است.

تخليه‌هاي صنعتي و پساب‌هاي كشاورزي به داخل سيستم آبزيان باعث مي‌شود كه رسوبات كف توسط موادسمي آلوده شوند. به همين ترتيب وقتي رژيم رودخانه تغيير مي‌نمايد اين رسوبات آلوده به پايين دست رودخانه انتقال مي‌يابند. تخمين دبي اين رسوبات آلوده گام اول به سوي بهبود سازي كيفيت آب مي‌باشد.

طبق گزارشات، درحال حاضر، بسياري از سدهاي كشورمان، با مشكل رسوب و پرشدن پيش از موعد مخازن مواجه هستند از جمله گزارشي كه در مورد رسوبگذاري در سد سفيد رود منتشر شده كه نشان مي‌دهد كه در هفدهمين سال بهره برداري، رسوبات ورودي نزديك به نيمي از حجم مخزن را اشغال كرده‌اند. در حالي كه مشاور اين شد، عمر مفيد آن را صد سال دانسته است.

همچنين سد شهيد عباسپور كه تخمين اوليه براي رسوب آن 2 ميليون مترمكعب در سال بوده، در حالي كه نتايج هيدروگرافي در سال 1362 در مخزن اين سد نشان مي‌دهد كه درطي 7 سال اول بهره برداري از اين سد ساليانه بطور متوسط 38 ميليون متر مكعب وارد مخزن شده است. بديهي است كه افزايش پيش‌بيني ميزان رسوب وارده به درياچه مي‌تواند از اين خسارات جلوگيري به عمل آورد و تحقيق اين امر بستگي زيادي به روشهاي محاسباتي و وجود سنجشهاي مناسب رودخانه‌اي دارد.

تا كنون معادلات زيادي براي تخمين ميزان رسوب انتقالي رسوب انتقالي توسط رودخانه‌ها ارائه شده است كه همه آنها بر پايه قوانين تئوري ديناميك جريان و انتقال ذرات مي‌باشد. آلونسوو نيبلينگ و فوستر در سال 1982 و يانگ در 1996 از بين ديگران، روشهاي متعدد قراردادي را مقايسه نمود براي محاسبه دبي كل رسوب. بعضي از روشها كه روش غيرمستقيم ناميده شدند، شامل توابع انتقالي بر اساس تابع بار بستر اينشتين هستند كه بار رسوب كل از مجموع توابع بار معلق و بار بستر بدست مي‌آيد. مانند روش اصلاح شده اينشتين توسط كلبي و همبري (1955) و توفالتي (1969). روشهاي مذكور اين نكته را مدنظر قرار مي‌دهند كه هيدروديناميك هر حالت انتقال يكسان نيست اگر چه تمايز آشكار بين در حالت معلق و بستر نيز به آساني ممكن نيست، كاربرد روشهاي گفته شده از نظر تئوري نسبتاً كامل است اما ممكن است به نظر دشوار برسد.

روشهاي ديگر كه روشهاي مستقيم ناميده مي‌شوند، بار رسوب كل را به طور مستقيم مشخص مي‌كنند، بدون اختلاف قائل شدن بين دو حالت انتقال. بعضي از اين روشها از مفهوم نيروي جريان ناشي مي‌شوند. (كار جريان) مانند روش بگنولد (1966) و روش انگلند و هانسن (1967) كه بستگي به مفهوم نيرو و قوانين شبيه‌سازي براي بدست آوردن تابع انتقال رسوب دارد. روش آكرو وايت (1973) بر اساس مفهوم نيروي جريان، بگونولد و آناليز ابعادي براي بيان تحرك و سرعت انتقال رسوب پايه‌ريزي شده‌اند. يانگ در سالهاي 1972 و 73 يك مدل تحليل نيرويي بكار برد و به نيروي جريان موجود در واحد وزن سيال براي انتقال رسوب تأكيد كرد. وليكانوف (1954) تابع انتقال را از تئوري نيروي ثقل استخراج كرد. روشهاي ديگر از توابع انتقال ديگري پيروي مي‌كنند، مثلاً چنگ و سيمونزو ريچاردسون (1967) بار كل را از مجموع بار بستر و معلق محاسبه نمودند. لارسن (1958) يك رابطه وابسته‌اي بين شرايط جريان و دبي رسوبي نتيجه توسعه داد. شن و هانگ (1972) يك معادله رگرسيون براساس داده‌هاي آزمايشگاهي استخراج كردند.

برانلي (1981) نيز آناليز رگرسيون را براي بدست آوردن تابع بكار گرفت. ون راين (1984) بار كل را از مجموع بار بستر و متعلق محاسبه نمود. كريم و كندي (1990) آناليز چند رگرسيوني غيرخطي را براي استخراج يك رابطه بين سرعت جريان، دبي رسوب و هندسه شكل بستر و ضريب اصطكاك رودخانه‌هاي فرسايشي بكار گرفت.

اين مدل‌هاي ديناميكي در تعريف پارامترهاي مهم مسئله موفق بودند. با اين وجود براي بدست آوردن يك فرمول منفصل (شكل ثابت معادله)، بعضي پارمترهاي مهم براي سهولت صرفنظر مي‌شوند. ثابت‌هاي غيرمعلوم براي پايداري جمع مي‌شدند و بعضي شرايط مرزي براي بكارگيري فرض مي‌شوندو نتيجتاً اين سؤال مطرح مي‌شود كه آيا فرمول براي انحراف رودخانه‌ها به طور موفق بكار رود؟

اخيراً روش شبكة عصبي در شاخه‌هاي متعدد علمي بكار مي‌رود. روش گفته شده يك ابزار قوي براي بهبود سازي در هيدروليك و محيط زيست با جزئيات كافي براي اهداف طراحي و مديريت پروژه‌ها مي‌باشد. اين تكنيك يك رشد ساختاري در كاربرد مهندسي رودخانه و منابع آب داشته است مانند مطالعه كرونانيتي و همكاران (199)، فلود و كارتام (1994) و گرابرت (1995) و مينس (1998) و سانچز و همكاران (1998) و يانگ و همكاران (1999).

به سبب كاربردهاي موفق در مدل كردن رفتار سيستم غيرخطي در يك محدوده وسيع از نواحي، شبكه‌هاي عصبي مصنوعي در هيدرولوژي و هيدروليك بكار رفته‌اند. شبكه‌هاي عصبي مصنوعي در مدل بارش ـ رواناب، تخمين جريان، شبيه‌سازي آلودگي جريان، شناسايي پارامتر و مدل كردن غيرخطي ورودي و خروجي سريهاي زماني بكار رفته‌اند. يك شبكه عصبي سه لايه پيشخور توسط فرنچ و همكاران (1992) براي پيش‌بيني شدت بارش در مكان و زمان بكار رفت. اين فرد نتايج را با دو روش ديگر پيش‌بيني ترم ـ كوتاه مقايسه نمود. چنگ و تسانگ (1992) چندين روش رگرسيون و شبكة عصبي مصنوعي براي مدل كردن اكي والان برف ـ آب مقايسه كردند و گزارش دادند كه يك شبكه عصبي مصنوعي نتايج بهتري ارائه مي‌دهد.

HSU و همكاران (1995) گزارش كردند كه شبكه پيشخور چندين لايه بهترين ابزار براي تقريب توابع ورودي ـ خروجي است. آنها يك الگوريتم پيچيده جذر ـ كمينه خطي را براي آموزش يك شبكه پيشخور سه لايه پيشنهاد دادند. كه نشان داد روش مدل شبكه عصبي مصنوعي ارائه بهتري از روابط بارش ـ روانات براي يك حوضه با اندازه متوسط كه با مدل آرمكس يا مدل رطوبت خاك ساكرامنتو مقايسه شد مي‌دهد.

مقاله پیش بینی ظرفیت ذخیره سازی گاز در قالب های کاری مواد آلی فلزی با استفاده از شبکه عصبی مصنوعی

دانلود مقاله پیش بینی ظرفیت ذخیره سازی گاز در قالب های کاری مواد آلی فلزی

با استفاده از شبکه عصبی مصنوعی

متن ترجمه به فارسی

این فایل در قالب Word قابل ویرایش، آماده پرینت و ارائه به عنوان پروژه پایانی می باشد

قالب: Word + Pdf

تعداد صفحات: 11

توضیحات:

پیش‌بینی ظرفیت ذخیره‌سازی گاز در قالب­های کاری مواد آلی فلزی با استفاده از شبکه عصبی مصنوعی

چکیده

در این مطالعه، شبکه عصبی مصنوعی برای پیش‌بینی ظرفیت جذب گاز هیدروژن در چارچوب کاری آلی فلزی طراحی شده است. سطح منطقه، آنتالپی جذب، دما و فشار به عنوان پارامترهای ورودی انتخاب شده ­اند. ظرفیت ذخیره‌سازی هیدروژن از MOFs با استفاده از این چهار پارامتر محاسبه شد. شبکه عصبی مصنوعی برای مدل فرآیند جذب مورد استفاده قرار گرفت. نتایج پیش‌بینی شده به شکل قابل توجهی با داده‌های تجربی موافق بودند.

مقدمه

طراحی و سنتز پلیمرهای هماهنگ با ساختارهای غیر معمول و خواصی که باعث بهره ­وری بیشتر می­ شود، نه تنها برای توپولوژی‌های مولکولی جذاب­شان، بلکه همچنین برای کاربردهای بالقوه به عنوان مواد کاربردی مورد استفاده قرار می ­گیرند. ساخت و ساز معماری مولکولی بستگی به ترکیبی از عوامل مختلف، مانند هندسه هماهنگی نمک فلز و لیگاند دارد. چارچوب­ های آلی فلزی (MOFs) به عنوان یک گروه جدید از مواد متخلخل با پتانسیل بسیار عالی در ذخیره‌سازی گاز و جداسازی کاربردی آن به دلیل طیف وسیعی از اندازه منافذ، ویژگی‌های شیمیایی، خواص مکانیکی و حرارتی خوب، شناسایی شده­ اند. MOFs، همچنین به عنوان پلیمرهای هماهنگی شناخته شده­ اند. انواع خواص فیزیکی و شیمیایی MOFs، آن‌ها را در طیف گسترده‌ای از برنامه­ های کاربردی مانند ذخیره‌سازی گاز، جداسازی گاز، تحویل دارو، سنجش و به عنوان کاتالیزگر قرار می ­دهد.

شناسایی سطح سوخت در مخازن بهم پیوسته هواپیما (مدل ریاضی مخازن) با استفاده از شبکه های عصبی مصنوعی بوسیله تابع عملگر سیگموئید پارامتریک

نوع فایل :PDF

تعداد صفحات :14

سال انتشار :1395

چکیده

مخازن سوخت هواپیما اجزایی هستند که درون بال هواپیما قرار دارند و به هم متصل هستند و برای ذخیره سوخت مورد استفاده قرار می گیرند.در این مقاله روشی جهت شناسایی مدل غیر خطی مخازن سوخت به هم پیوسته هواپیما با استفاده از نوع خاص شبکه عصبی ،بنام شبکه عصبی پارامتریک ارائه شده است.برای مدل سازی با شبکه های عصبی آگاهی قبلی نسبت به ویژگی های سیستم چندان مورد نیاز نیست و می توان بابکارگیری مجموعه ای از ورودی ها و خروجی های ثبت شده سیستم ،عملیات شناسایی را انجام داد.لذا این شیوه برای هواپیما که تعیین دقیق جرم،ممان های اینرسی و مشتقات پایداری و ... دشوار است مناسب می باشد. علت انتخاب تابع عملکرد سیگموئید پارامتریک این بود که بخاطر معرفی پارامترهای اضافی به تابع عملکرد ،قدرت بیشتری در شناسایی وسرعت یادگیری بالایی به ما می دهد. همچنین مزیت استفاده از شبکه های عصبی پارامتریک این است که به خاطر افزودن یک پارامتر اضافی به توابع سیگموئید، محدوده خطا و زمان یادگیری کاهش یافت .در این پژوهش پس از تعیین مدل ریاضی برای یک مخزن و سپس برای دو مخزن، با استفاده ازبرنامه نویسی مطلب (ode 45) مقادیر ورودی و خروجی تعیین گردید سپس برای آموزش شبکه و بدست آوردن همگرایی خروجی شبکه و خروجی واقعی ما از دوتابع سینوسی و نمایی استفاده کردیم که در هر دوحالت همگرایی انجام شد .همچنین مقدار خطا را بر حسب تعداد حلقه های تکرار بدست آوردیم و مقادیر پارامتر P رابرای 5 نرون در نظر گرفتیم که در هر مرحله مقادیر P کاهش یافت...