عنوان

ارزیابی و مدل‌سازی خود هواگیری سازه‌های هیدرولیکی با استفاده از روش‌های فرامدل

Number

پ۲۷۳۷۵

.Language of Text, Soundtrack etc

per

Title Proper

ارزیابی و مدل‌سازی خود هواگیری سازه‌های هیدرولیکی با استفاده از روش‌های فرامدل

First Statement of Responsibility

عسل عیدی

Name of Publisher, Distributor, etc.

فنی و مهندسی عمران

Date of Publication, Distribution, etc.

۱۴۰۱

Specific Material Designation and Extent of Item

۱۲۳ص.

Accompanying Material

سی دی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

عمران گرایش مهندسی آب و سازه‌های هیدرولیکی

Date of degree

۱۴۰۱/۰۶/۱۶

Text of Note

در سرریزها و کانال‌های باز یکی از مهم‌ترین مسائل، ورود هوا به داخل جریان عبوري از روي تندآب سرریزها است. هواگیری، یک فرآیند طبیعی است به این معنی که با هدف افزایش تماس بین آب و هوا، جریان بسته به مشخصات آبرو بتواند به صورت طبیعی هوا را از اتمسفر جذب کند و پس از آن هوای جذب شده را در داخل سطح مقطع توزیع نماید. این پدیده باعث آزادسازی گازهای حباب شده، افزودن اکسیژن و بهبود خصوصیات شیمیایی و فیزیکی آب می‌شود. غلظت اکسیژن در آب‌های سطحی، شاخص اصلی کیفیت آب برای استفاده‌ی انسان و موجودات آبزی می‌باشد. لذا شناخت نحوه توزیع تغییرات غلظت هوا در طول سرریز جهت تخمین میزان هواگیری و ارائه شیوه‌ای نوین و خلاقانه که بتواند در این راستا موثر واقع شود؛ از اهمیت بسیار زیادی برخوردار است. در این تحقیق، با بهره‌گیری از مجموعه داده‌های آزمایشگاهی به دست آمده‌ی 6 مدل هیدرولیکی از سرریزهای پلکانی، شوت و اوجی، میزان هوای جذب شده بررسی شده است. برای هر سری از داده‌ها، با توجه به متغیرهای موجود چندین مدل تعریف شده؛ در مدل‌های مذکور برای پیش‌بینی میزان هوای جذب شده از پارامتر C و به منظور بررسی غلظت اکسیژن، پارامتر "E" _"20" به عنوان میزان راندمان هواگیری در دمای 20 درجه سانتی‌گراد برای خروجی ارائه شده است. ‌میزان راندمان هواگیری، به منظور افزایش دقت برآورد، با استفاده از روش‌های مبتنی بر هوش مصنوعی، بررسی شده است. در این تحقیق از دو روش‌ ماشین بردار پشتیبان (SVM) ، رگرسیون فرآیند گاوسی (GPR)از یادگیری ماشین و روش حافظه طولانی کوتاه مدت (LSTM)از ز یادگیری عمیق استفاده شده است. مطابق نتایج ارائه شده، روش‌های هوش مصنوعی در صورتی که با توجه به نوع و تعداد داده‌ها به درستی انتخاب شوند، از دقت قابل قبولی برخوردار هستند.در بررسی مدل‌ها هرچه تعداد داده‌ها و متغیرهای ورودی روش‌های هوش مصنوعی بیشتر باشد، نتایج به دست آمده دقیق‌ترند. بهتر است برای دست‌یابی به خروجی بهتر، در تعریف متغیرهای ورودی از پارامترهای بدون بعد استفاده شود. در تعداد داده‌های بیشتر و پیچیده‌تر روش LSTM نتایج بهتری به دنبال دارد. در هر مورد به توجه به نوع سرریز و بررسی پارامترهای موجود بهترین مدل و کارآمدترین روش مشخص شده است؛ در برآورد میزان غلظت هوا در مطالعه‌ی سرریز پلکانی در پله نهم، با 1136 داده، با دارا بودن مقادیر R=0.9703، DC=0.9854، RMSE=0.0686 در ماشین بردار پشتیبان، R=0.9779، DC=0.9561، RMSE=0.0819 در رگرسیون فرآیند گوسی و R=0.8835 ، DC=0.7744 ، RMSE=0.1847 در حافظه کوتاه بلند مدت، به عنوان مدل برتر انتخاب شد. همچنین بررسی‌های انجام شده نشان داد در سرریز پلکانی پارامترهای ورودی q_w ، Z/W ،X/L دارای بیشترین اثر در فرآیند مدل‌سازی هستند.

Text of Note

In weirs and open channels, one of the most important issues is the entry of air into the flow passing over the rapids of the weirs. Aeration is a natural process, which means that with the aim of increasing the contact between water and air, depending on the characteristics of the air, the current can naturally absorb air from the atmosphere and then distribute the absorbed air inside the cross section. This phenomenon causes the release of bubbled gases, adding oxygen and improving the chemical and physical properties of water. Oxygen concentration in surface water is the main indicator of water quality for human use and aquatic organisms. Therefore, knowing how to distribute air concentration changes during the overflow in order to estimate the amount of aeration and provide a new and creative method that can be effective in this direction; It is very important. In this research, the amount of absorbed air has been investigated by using the laboratory data set of 6 hydraulic models of stepped, shot and peak spillways. For each series of data, several models are defined according to the available variables; In the mentioned models, to predict the amount of absorbed air from parameter C and to check the oxygen concentration, parameter E_20 is provided as the amount of ventilation efficiency at 20 degrees Celsius for the output.In order to increase the accuracy of estimation, the ventilation efficiency has been checked using methods based on artificial intelligence. In this research, two support vector machine (SVM) methods, Gaussian process regression (GPR) from machine learning subset and long short-term memory (LSTM) method from machine learning subset have been used. According to the presented results, artificial intelligence methods have acceptable accuracy if they are chosen correctly according to the type and amount of data.In examining models, the more data and input variables of artificial intelligence methods, the more accurate the results. It is better to use dimensionless parameters in the definition of input variables to achieve a better output. In more and more complex data, the LSTM method gives better results. In each case, according to the type of overflow and checking the available parameters, the best model and the most efficient method have been determined; In estimating the amount of air concentration in the study of the stair overflow in the ninth step, with 1136 data, with values of R=0.9703, DC=0.9854, RMSE=0.0686 in the support vector machine, R=0.9779, DC=0.9561, RMSE=0.0819 in the regression. Gaussian process and R=0.8835, DC=0.7744, RMSE=0.1847 in long short-term memory was chosen as the best model. Also, the investigations showed that the input parameters q_w ، Z/W ،X/L have the most influence in the modeling process in the stair overflow.

Variant Title

Evaluation and modeling of self-areation of hydraulic structures using meta-modal methods

Entry Element

عیدی،‏

Part of Name Other than Entry Element

‏‏عسل

Relator Code

تهيه کننده

Entry Element

روشنگر،‏

Entry Element

کلاته،

Part of Name Other than Entry Element

‏کیومرث

Part of Name Other than Entry Element

‏فرهود

Dates

استاد راهنما

Dates

استاد مشاور

Entry Element

تبریز