• مقاله با عنوان: پیش بینی ارتفاع غوطه وری جریان غلیظ با استفاده از مدل تلاطمی RNG و شبکه های عصبی
• نویسندگان: مریم آشوری ، حامد ارجمندی ، سجاد پیربوداقی ، مهدی قمشی ، امیر خلیلی
• محل انتشار: دهمین کنگره بین المللی مهندسی عمران - دانشگاه تبریز - 15 تا 17 اردیبهشت 94
• فرمت فایل: PDF و شامل 8 صفحه می باشد.
چکیــــده:
جریان های غلیظ هرگاه به یک توده سیال سبکتر برخورد نمایند، یک ناحیه غوطه وری را ایجاد میکنند. با توجه به این که در ارتفاع غوطه وری مرز بین سیال غلیظ با سیال پیرامون در محل نقطه غوطه وری مشخص میگردد، برآورد این نقطه از اهمیت به سزایی برخوردار است. در این تحقیق پارامترهای هیدرولیکی جریان غلیظ و همچنین شیب بستر سیال ساکن که بر نقطه غوطه وری تاثیر گذار است، بررسی شده است. برای نیل به اهداف این تحقیق ابتدا یک مدل فیزیکی در آزمایشگاه هیدرولیک دانشگاه شهید چمران ساخته شد و آزمایشهای مختلف در آن انجام گردید. در همه آزمایشها ارتفاع غوطه وری در دبیهای مختلف از سیال غلیظ و تفاوت دانسیته 6، 9، 13 و 16 گیلوگرم بر مترمکعب برای سه شیب 8، 12 و 16 درصد اندازه گیری شد. سپس با استفاده از مدل Flow-3D تحت شرایط مدل آشفتگی RNG ارتفاع نقطه غوطه وری برای شرایط آزمایشگاهی موجود شبیه سازی شد. به منظور بررسی مقایسهای ابتدا با استفاده از شبکههای عصبی، عمق غوطه وری برآورد شده با استفاده از Flow-3D تحت شرایط مدل آشفتگی RNG در مقایسه با دادههای مشاهداتی در آزمایشگاه آموزش داده شده و سپس بهترین برازش با معماری شبکه بدست آمد. با توجه به محدودیتهای آزمایشگاهی و دادههای محدود در دسترس برای مایعات و هندسههای مختلف، از شبکههای عصبی برای پیش بینی عمق غوطه وری در این شرایط استفاده شد. نتایج نشان میدهد که شبکههای عصبی قابلیت بالایی برای پیش بینی و برازش عمق غوطه وری دارند.
________________________________
** توجه: خواهشمندیم در صورت هرگونه مشکل در روند خرید و دریافت فایل از طریق بخش پشتیبانی در سایت مشکل خود را گزارش دهید. **
** توجه: در صورت مشکل در باز شدن فایل PDF مقالات نام فایل را به انگلیسی Rename کنید. **
** درخواست مقالات کنفرانسها و همایشها: با ارسال عنوان مقالات درخواستی خود به ایمیل civil.sellfile.ir@gmail.com پس از قرار گرفتن مقالات در سایت به راحتی اقدام به خرید و دریافت مقالات مورد نظر خود نمایید. **
پیش بینی ارتفاع غوطه وری جریان غلیظ با استفاده از مدل تلاطمی RNG و شبکه های عصبی