۲۰۰۱۸پ
per
ارزیابی و تخمین ضریب زبری در لوله‌های فاضلاب‌رو تحت شرایط مختلف بار بستر با استفاده از روش های هوشمند
Estimation of Coefficient of Friction in Sewage Pipes under Different Conditions using Intelligent Methods
/صنم بیوگ آقازاده
: مهندسی عمران
، ۱۳۹۷
، افشار
۹۸ص
چاپی - الکترونیکی
ارشد
مهندسی و مدیریت منابع آب
۱۳۹۷/۰۶/۱۰
تبریز
یکی از مسائل مهم در مهندسی آب و فاضلاب تعیین ضریب زبری و اصطکاک در لوله ها است .در تحلیل مسائل توزیع سرعت، تنش برشی، انتقال رسوب و افت فشارنیاز به دانستن ضریب اصطکاک از ضروریات حل مسئله میباشد .روش های استاندارد برای محاسبه ضریب اصطکاک عموما نیاز به محاسبات مکرر داشته، و هزینه های محاسباتی بالایی را در شبکه های لوله کشی بزرگ برجا می گذارد .به همین دلیل استفاده از روش‌صهایی که کارایی تخمین دقیق‌صتر این پارامتر را داشته باشند، ضروری است .در تحقیق کنونی ضریب زبری در لوله‌های فاضلاب‌صرو با شرایط بستر متفاوت شامل بستر صلب و بستر رسوبگذاری شده، با استفاده از روش ماشین بردار پشتیبان ((SVM و برنامه‌ریزی بیان ژن ((GEP تخمین زده شد و نرخ تأثیر پارامترهای ورودی در هر حالت مورد تجزیه و تحلیل قرارگرفت .مقایسه نتایج حاصل از روش رگرسیون ماشین بردار پشتیبان و برنامه‌ریزی بیان ژن با روابط کلاسیک، قابلیت و کارایی بالای روش ماشین بردار پشتیبان و برنامه‌ریزی بیان ژن را نسبت به مدل‌های کلاسیک نشان داد .یکی از قابلیت های برنامه ریزی بیان ژن ارائه فرمول صریح برای ضریب زبری می باشد .همچنین مشاهده گردید که در حالت بستر صلب مدل با پارامترهای ورودی شامل عمق نسبی جریان، اندازه بدون بعد ذرات، عدد فرود معین ودبی رسوب (Cv, Frm, Dgr, d۵۰/y) و در حالت بستر رسوبگذاری شده مدل با پارامترهای ورودی عرض نسبی بستر رسوبی، عدد فرود معین و عمق نسبی بستر رسوبی و دبی رسوب ((Cv, ys/D ,Frm ,Wb/y۰ نتایج مطلوب‌صتری را ارائه می‌صدهند .آنالیز سری داده ها به صورت جداگانه منجر به جواب‌صهای دقیق‌صتری نسبت به تر کیب داده‌صها می گردد و ترکیب کردن داده ها از کارایی مدل می کاهد .نتایج به دست آمده برای ضریب دارسی وایسباخ در مقایسه با ضریب مانینگ از دقت بالاتری برخوردار است
One of the important issues in water and sewage engineering is determining the roughness coefficient and friction factor in the pipes. In analyzing the problems such as velocity distribution, shear stress, sediment transport and drop of head, it is necessary to know the friction coefficient as problem solving requirements.Standard methods for calculating friction coefficients require frequent computations, and provide high computational costs for large pipelines. Therefore it is essential to utilize methods which are capable of predicting friction factor rate more accurate. In this research friction factor in sewer pipes with diffirent boundary condition (i.e. rigid and deposited beds) was estimated using Support Vector Machine (SVM) and Gene Expression Programming (GEP) and the impacts of different employed parameters in each boundary condition was assessed. A comparison between (SVM) and (GEP) with classical models in predicting the friction factor indicated the supreme performance of the SVM and GEP in which more accurate results were obtained. Also it was observed that for rigid boundary state, the model including parameters of overall volumetric sediment concentration, Particle Froude number, dimensionless particle number and relative flow depth (Cv, Frm, Dgr, d50/y) and for deposited bed state, the model with parameters of relative depth of sediment bed, Particle Froude number and relative width of sediment bed, volumetric sediment concentration (ys/D, Frm, Wb/y0, Cv) led to more accurate results. analyzing Data series individually leads to more accurate responses than data sets, and combining data reduces the performance of the model. The results for the Darcy coefficient of Weisbach are more accurate than Manning coefficient
Estimation of Coefficient of Friction in Sewage Pipes under Different Conditions using Intelligent Methods
بیوگ آقازاده، صنم
Beyokaghazadeh, Sanam
سیاه و سفید
نمایه‌سازی قبلی
