این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش های حفاظت آب و خاک، جلد ۱۶، شماره ۱، صفحات ۱۴۳-۱۶۱
عنوان فارسی تخمین هوشمند حداکثر عمق آب‌شستگی اطراف آب‌شکن‌های L شکل با استفاده از شبکه‌های عصبی مصنوعی و سیستم استنتاج فازی- عصبی
چکیده فارسی مقاله از جمله مسایل مهم در طراحی آب‌شکن‌ها، پدیده آب‌شستگی موضعی دماغه آنها می‌باشد که به‌علت تنگ‌شدگی مقطع جریان و وجود گردابه‌های قوی به‌وجود می‌آید و یکی از شاخص‌های مهم در تعیین مشخصات حفره‌ی آب‌شستگی، حداکثرعمق آب‌شستگی می‌باشد. امروزه شبکه‌های عصبی کاربردهای بسیاری در مسایل مختلف مهندسی آب که رابطه و الگوی مشخصی بین عوامل مؤثر بر وقوع یک پدیده وجود ندارد، پیدا کرده است. بنابراین در این پژوهش از دو روش شبکه عصبی مصنوعی، سیستم استنتاج فازی عصبی به برآورد میزان عمق آب‌شستگی اطراف آب‌شکن L- شکل پرداخته شده است. همچنین نتایج به‌دست آمده از این روش‌ها با رابطه تجربی موجود مقایسه شده است. برای شبکه عصبی مصنوعی از یک لایه میانی با 5 نرون استفاده شد. تابع محرک لایه میانی نیز تانژانت هیپربولیک و تابع محرک لایه خروجی سیگموئید درنظر گرفته شد. سیستم استنتاج فازی- عصبی به‌کار رفته در این تحقیق نیز سوگینو می‌باشد که از الگوریتم یادگیری پیوندی برای تعیین پارامترهای سیستم فازی استفاده می‌کند. ضریب همبستگی برای داده‌های آزمون در شبکه عصبی مصنوعی، سیستم استنتاج فازی عصبی و رابطه تجربی به‌ترتیب 97/0، 99/0 و 93/0 به‌دست آمده است. مقایسه نتایج نشان‌دهنده قدرت بالای سیستم‌های هوشمند (به‌خصوص سیستم استنتاج فازی عصبی) در یادگیری و تخمین عمق آب‌شستگی اطراف این نوع آب‌شکن می‌باشد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Intelligent estimation of maximum local scour depth around L-head groynes by Artificial Neural Networks and Adaptive Neuro Fuzzy Inference System (ANFIS)
چکیده انگلیسی مقاله A local scouring phenomenon is one of the important problems in hydraulic design of groynes. Due to constriction and downward flow, the scouring can occur around the groynes. Nowadays, the artificial neural networks have a lot of applications in various water engineering problems where there is not any specific relation between effective parameters. In this study, the Artificial Neural Networks (ANNs) and Adaptive Neuro Fuzzy Inference System (ANFIS) were used for estimating the maximum depth of scour around L-head groynes. The results were compared with experimental relations. One hidden layer with five neurons was used for ANNs. The activation function for hidden layer was tangent hyperbolic while for output layer was sigmoid function. The first order Sugeno fuzzy model with hybrid learning algorithm was used in ANFIS. The correlation coefficient of test data for ANNs, ANFIS and experimental relation were 0.97, 0.99 and 0.93 respectively. The comparison of results with experimental relation showed the ability of artificial intelligent system (especially ANFIS) for learning and estimatign maximum depth of scour around L-head groynes.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله
نشانی اینترنتی http://jwsc.gau.ac.ir/article_584_8ff719a555720a203b7c263168fd3138.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1379/article-1379-240309.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات