مقاله برآورد سریع هدایت آبی اشباع خاک با استفاده از شبکه عصبی مصنوعی در 12 صفحه با فرمت pdf
چکیده
هدایت آبی اشباع مهمترین ویژگی فیزیک ی خاک است که در طراحی و امکان پذیر بودن فنی و اقتصادی
پروژه های زهکشی زیرزمینی نقش عمده ای به عهده دارد . لیکن، اندازه گیری مستقیم این ویژگی چه به
صورت صحرایی و چه در آزمایشگاه بسیار وقت گیر و پرهزینه می باش د. همچنین، به دلیل تغییرات زیاد
زمانی - مکانی خاکها، اندازه گیری های نقطه ای نمی توانند نمایندۀ واقعی این ویژگی خاک باشند ، مگر آنکه
تعدادی بسیار زیاد نمونه برداری صورت پذیرد . در سالهای اخیر استفاده از شبکه های عصبی مصنوعی به
عنوان راهکاری که ویژگی های فیزی کی خاک را از پارامترهای ز ودیافت خاک برآورد می کند، مورد توجه
قرار گرفته است . شبکۀ عصبی مصنوعی از الگوی شبک ۀ عصبی انسان شبیه سازی شده است، به گونه ای
که می تواند پس از آموزش، پارامترهای خروجی مورد نظر را با اعمال پارامترهای ورودی برآورد نماید .
در این پژوهش، از ساختار شبک ۀ عصبی پرسپترون با الگوریتم آموزشی مارکوآت لورنبرگ استفاده شد
تا هدایت آبی اشباع از پارامترهای زودیافت خاک همچون جرم ویژ ۀ ظاهری، تخلخل مؤثر، میانگین هندسی
قطر ذرات و انحراف معیار آنها برآورد شود . نتایج نشان داد که نمون های عصبی ایجاد شده قادرند هدایت
برآورد نمایند . همچنین، در مقایسه با معادلات رگرسیونی موجود، (R2= آبی اشباع را با دقت بالا( 0.83
مدل های شبکۀ عصبی ارائه شده عملکردی مناسب تر دارند.
واژه های کلیدی: پارامترهای زودیافت خاک، شبکه عصبی مصنوعی، هدایت آبی اشباع
دانلود مقاله با موضوع تخمین خبرة ضریب شدت جریان سرریزهای لبه تیز زاویه دارمستطیلی با استفاده از شبکة عصبی مصنوعی
نوع فایل : PDF
تعداد صفحات : 8
شرح محتوا
چکیده مقاله:به علت دقت بالا وکاربرد ساده سرریزهای لبه تیز، این وسایل یکی از قدیمی ترین وسیله های اندازه گیری وکنترل جریان درکانالهای باز، آزمایشگاه و طبیعت هستند. بررسی های انجام شده نمایانگراین مطلب است که بیشتر مطالعات روی سرریزهای لبه تیز قائم با مقاطع مختلف هندسی صورت گرفته و روابط مختلفی برای ضریب شدت جریان بر اساس پارامترهای مختلف ارائه شده است. اما، شناخت کمتری نسبت به سرریزهای زاویه دار وجود دارد. از آنجا که انجام مطالعات آزمایشگاهی برروی مدل فیزیکی این سرریزها مشکلات و محدودیتهایی به همراه دارد، دراین مقاله از یک مدل شبکة عصبی مصنوعی برای بررسی تأثیر پارامترهای مختلف بر روی ضریب شدت جریان درسرریزهای مذکوراستفاده شده است. شبکة عصبی مصنوعی مورد استفاده از نوع پرسپترون چندلایه با قانون یادگیری پس انتشار خطا بوده و با ایجاد نگاشتی غیرخطی میان پارامترهای ارتفاع آب ، ( h ارتفاع آب بالای سرریز ( 1 ، (p) ارتفاع سرریز ، (α ) مؤثر بر ضریب شدت جریان شامل زاویه سرریز و نسبت استغراق( ) ( h پایی ندست سرریز ( 2 12 h راتعیین می نماید. آنگاه (Cd) چگونگی تأثیر آنها برضریب شد تجریان ، h با بررسی ویژگیهای شبکة عصبی طراحی شده، عملکرد آن با نتایج حاصل از مدلسازی فیزیکی بررسی شده و به نکات مهمی در کاربرد این روش اشاره شده است
کلیدواژهها:سرریز زاویه دار، ضریب شدت جریان، زاویه سرریز، ارتفاع سرریز، شبکه عصبی مصنوعی، پرسپترون چندلایه
فرمت فایل : word (قابل ویرایش) تعداد صفحات : 21 صفحه
چکیده
برآورد بار رسوبی در رودخانهها با توجه به خسارات ناشی از آن، یکی از مهمترین و مشکلترین قسمتهای مطالعات انتقال رسوب و مهندسی رودخانه است. بنابراین دست یافتن به شیوههای نوین و خلاقانه که بتواند در این راستا موثر واقع گردد دارای اهمیت خارقالعادهای است.در این تحقیق کاربرد روش سیستم عصبی مصنوعی (ANN) در بهینهسازی نتایج مدلی مبتنی بر روش منحنی سنجهی رسوب (SRC) برای پیشبینی بار معلق جریان مورد بررسی قرار گرفته است. برای این منظور ایستگاه یزدکان واقع بر رودخانهی قطورچای در نظر گرفته شد. یک مدل رگرسیونی به کمک روش SRC ساخته شد که با کمک دادههای دبی در ایستگاه مذکور میزان بار معلق در همان ایستگاه پیشبینی میگردد. پس از ساختن مدل به کمک این روش، یک مدل ANNمورد استفاده قرار گرفت که دقیقا از دادههای مشابه استفاده نموده و سپس با استفاده از آن دو، مدل ترکیبی ساخته شد. لازم به ذکر است که قبل از کاربرد ترکیبی این دو روش (َANN و SRC)، هر یک از این روشها به تنهایی مورد استفاده قرار گرفته و نتایج حاصل با مقادیر واقعی مقایسه گردیده بود. نتایج حاصل از کاربرد ترکیبی این مدلها از کیفیت به مراتب بالاتری نسبت به کاربرد هر یک از آنها به تنهایی برخوردار است. به طوری که میزان Dr از عدد 402/1 در روش SRCو 395/2- در مدل ANN به مقدار 963/0 در یکی از مدلهای ترکیبی تعدیل یافته است. همچنین میزان ریشه میانگین مربعات خطا که به ترتیب برای SRC و ANN به تنهایی 286/692 و 96/616 حاصل گشته بود به عدد 094/603 کاهش پیدا کرد.
مقدمه :
موضوع انتقال رسوب سالهاست که مورد توجه مهندسین قرار گرفته است. روشهای مختلفی برای حل مسایل رسوب به کار گرفته شده است که نتیجهی آن معادلات تجربی متعددی است که توسط صاحبنظران امر ارائه شده است. گرچه نتایج این روشها با یکدیگر و با نتایج تجربی اختلاف چشمگیری دارند اما با توجه به اینکه اندازهگیری رسوب رودخانه به طور محدود و معدود انجام میشود، جهت برآورد بار رسوبی رودخانه در مواقع مورد نیاز میتوان از این معادلات استفاده کرد. اما مشکل استفاده از معادلات، از آنجایی که معادلات موجود بر اساس شرایط اقلیمی یا آزمایشگاهی سایر نقاط جهان به دست آمدهاند،این است که باید برای استفاده در رودخانههای ایران واسنجی شده و معادلهی بهینه انتخاب گردد. لذا این مشکل ذهن محقق را به سمت روشهایی نوین فارغ از نیاز به معادلات مذکور سوق میدهد. در این میان میتوان از روش هوش مصنوعی که مبتنی بر روابط حاکم بر طبیعت است و از قدرت انعطافپذیری بالایی برخوردار است استفاده نمود. در این زمینه میتوان به تحقیقاتی بیشماریکه در قسمتهای مختلف جهان صورت پذیرفته است، اشاره نمود.
منتظر و همکاران (1381) برای تخمین میزان رسوب رودخانه بازفت در محل ایستگاه هیدرومتری مرغک از دو شبکه پرسپترون و شبکه پاد انتشار استفاده کردند و در نهایت نتایج حاصل از شبکه ها را با روش منحنی سنجه رسوب مقایسه کردند(4). راحتطلب نخجیری و همکاران (1383) به سنجش و گزینش مناسبترین روشهای برآورد بار کف (16 رابطهی مختلف) در رودخانهی زرینگل استان گلستان پرداختند (2). نظمآرا (1385) در مطالعهای روی رودخانهی آجیچای با کمک شبکهی عصبی مصنوعی به تعیین بار معلق رودخانه پرداخت(5).فتاحی و همکاران (1385) میزان رسوب رودخانه نکا را به کمک شبکه عصبی مصنوعی برآورد کردند. در این تحقیق برای برآورد رسوب از شبکه عصبی و نیز روش های رگرسیونی (منحنی سنجه) رسوب استفاده شده است
فرمت فایل : word (قابل ویرایش) تعداد صفحات : 21 صفحه
چکیده :
حفاظت دیفرانسیل یکی از مهمترین حفاظت های یک ترانسفورماتور قدرت می باشد. تاکنون از تکنیک های متفاوتی برای اعمال حفاظت دیفرانسیل ترانسفورماتورهای قدرت استفاده شده است. از آنجایی که حساسیت حفاظت دیفرانسیل توسط عوامل متعددی تحت تاثیر قرار می گیرد، روشهای مختلفی برای تشخیص هر کدام از این حالت ها ارائه شده اند. مهمترین این عوامل عبارتند از : جریان هجومی، اشباع شدن ترانسفورماتور قدرت ، اشباع CT ها، عدم تطابق CT ها، تغییر تپ و.... در این مقاله برای اولین بار حفاظت دیفرانسیل مبتنی بر روش بازدارنده شاری به کمک شبکه های عصبی بازسازی گردیده و قابلیتهای این روش در تشخیص شرایط کاری متفاوت ترانسفورماتور بررسی شده است.
1 - مقدمه :
حفاظت دیفرانسیل ، یکی از مهمترین روشهای ترانسفورماتورهای قدرت می باشد. اساس حفاظت دیفرانسیل ترانسفورماتور بر مقایسه جریان های اولیه و ثانویه بر حسب پریونیت است و در صورتی که تفاضل این دو جریان از مقدار از پیش تعیین شده ای بیشتر باشد، حفاظت دیفرانسیل سبب قطع بریکر ورودی و بی برق شدن ترانسفورماتور می گردد. از آنجایی که حفاظت دیفرانسیل تحت تاثیر فاکتورهای متفاوتی قرار می گیرد ، تحقیقات بسیاری برای درنظر گرفتن اثر این فاکتورها و بهبود حفاظت دیفرانسیل انجام گردیده است.
در این میان بیشترین تلاشها بر تشخیص و تمایز جریان هجومی ترانسفورماتور از دیگر جریان های عبوری از ترانسفورماتور ( جریانهای خطا و غیر خطا ) متمرکز شده است.
تکنیک های مختلف حفاظت دیفرانسیل ترانسفورماتورها عمدتا به دو نوع روشهای عمل کننده براساس جریان و روشهای نیازمند به ولتاژ تقسیم بندی می شوند.
روشهای عمل کننده بر اساس جریان خود به روش های تشخیص بر اساس شکل موج جریان و حفاظت بازدارنده هارمونیکی [3 و 4] دسته بندی می شود.
در روش تشخیص بر اساس شکل موج جریان تعیین حالت خطا و تشخیص آن از هجوم مغناطیسی (که از مهمترین وظایف حفاظت دیفرانسیلی است) بر اساس مدت زمان مثبت یا منفی بودن جریان ، انجام می گردد.
در روش حفاظت بازدارنده هارمونیکی ، از ماهیت جریان هجومی که حاوی هارمونیک های جریان است استفاده می شود. به عنوان مثال اگر هارمونیکهای زوج از حد معینی فراتر روند ، این امر بیانگر حالت هجوم مغناطیسی خواهد بود.
روشهای نیازمند به ولتاژ به روشهای بازدارنده شاری[8]، ماتریس اندوکتانس معکوس [7]، بازدارنده ولتاژی [16]، عمل کننده بر اساس مدل ترانسفورماتور [9] و دیفرانسیل توان [16] تقسیم بندی می گردند.
استفاده از تکنیک های هوش مصنوعی از اوایل دهه 90 در حفاظت سیستم های قدرت مطرح شد. در حفاظت دیفرانسیل ترانسفورماتورهای قدرت نیز تکنیک شبکه های عصبی مصنوعی [12-16] و منطق فازی [11] مطرح گردیده اند. استفاده از تکنیکهای مورد نظر مزایای بسیار زیادی بهمراه خواهد داشت که از جمله آنها می توان به عدم نیازمندی به تنظیم رله و عدم نیاز به عددی که بطور مشخص نسبت هارمونی دوم به هارمونی اول جریان هجومی را نشان دهد (در ترانسفورماتورهای جدید که در آنها از هسته های با تلفات کم استفاده شده است این نسبت کم است)، اشاره نمود.
یکی از نکات مهمی که در مقاله های ارائه شده مبتنی بر شبکه های عصبی در حفاظت دیفرانسیل تا کنون در نظر گرفته نشده است اثر تغییر تپ ترانسفورماتور می باشد. در این مقاله اثر تغییر تپ مورد بررسی دقیق قرار گرفته است. نشان داده خواهد شد که در صورت در نظر گرفتن پارامتر فوق در آموزش و تست شبکه عصبی تشخیص حالات خطا و غیر خطای ترانسفورماتور در حضور اثر تغییر تپ ترانسفورماتور مشکل شده و ساختار شبکه عصبی پیچیده تر می شود[1].
عنوان مقاله : مدلسازی پدیده فرونشست ناشی از تونل سازی، با استفاده از شبکه عصبی مصنوعی و دادههای ترازیابی دقیق
محل انتشار:نهمین کنگره ملی مهندسی عمران مشهد
تعداد صفحات: 8
نوع فایل : pdf