دانلود مقاله ترجمه شده بررسی رسوب گذاری مخزن با استفاده از تکنیک های داده محور


چطور این مقاله مهندسی عمران و نقشه برداری را دانلود کنم؟

فایل انگلیسی این مقاله با شناسه 2006772 رایگان است. ترجمه چکیده این مقاله مهندسی عمران و نقشه برداری در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید

قیمت :
820,000 ریال
شناسه محصول :
2006772
سال انتشار:
2013
حجم فایل انگلیسی :
2 Mb
حجم فایل فارسی :
1 مگا بایت
نوع فایل های ضمیمه :
Pdf+Word
کلمه عبور همه فایلها :
www.daneshgahi.com

عنوان فارسي

بررسی رسوب گذاری مخزن با استفاده از تکنیک های داده محور

عنوان انگليسي

Evaluation of reservoir sedimentation using data driven techniques

نویسنده/ناشر/نام مجله

Applied Soft Computing

این مقاله چند صفحه است؟

این مقاله ترجمه شده مهندسی عمران و نقشه برداری شامل 15 صفحه انگلیسی به صورت پی دی اف و 41 صفحه متن فارسی به صورت ورد تایپ شده است

چکیده فارسی

چکیده

رسوب گذاری یک فرایند پیچیده هیدرولوژیکی فراگیر برای تمام مخازن در جهان در مقادیر مختلف است. بررسی های هیدروگرافی به عنوان دقیق ترین روش برای تعیین حجم کل اشغال شده توسط رسوب و الگوی توزیع آن در یک مخزن در نظر گرفته می­شوند. اما، این بررسی ها بسیار دست و پا گیر، وقت گیر و گران قیمت هستند. این فرایند رسوب گذاری پیچیده را همچنین می توان از طریق مدل های عددی به خوبی کالیبره شده شبیه سازی کرد. با این حال، این مدل ها به طور کلی داده های زیادی را می طلبند و نیاز به زمان محاسباتی زیادی دارند. به طور کلی، در دسترس بودن این داده ها بسیار کمیاب است. با توجه به محدودیت های زیاد این روش ها و مدل­ها، در مطالعه حاضر، رویکردهای داده محوری مانند شبکه های عصبی مصنوعی (ANN)، درختان مدل (MT) و برنامه نویسی ژنتیک (GP) برای برآورد حجم ترکیب رسوب مورد بررسی قرار گرفته است و شامل پارامترهای موثر بر آن به همراه مدل داده محور رگرسیون خطی چندگانه معمولی است. مدل­های داده محور فوق برای برآورد رسوب گذاری مخزن در ابتدا در مخزن گوبینداسگار توسعه و به کار رفته­اند. به منظور تعمیم روش توسعه یافته، مدل­ها داده محور توسعه یافته برای داده های دیده نشده مخزن پنگ اعتبار سنجی شدند. این مطالعه نشان داد که مدل­های بسیار غیر خطی ANN و GP روند رسوب گذاری را بهتر از مدل MT تکه­ای خطی، حتی برای مجموعه داده های با طول کوچکتر منعکس کرده اند.

1-مقدمه

مخازن، زیرساخت کلیدی برای بقای نوع بشر، مقاصد مختلفی مانند آب مطمئن برای آبیاری، صنایع، تامین آب شهری، تولید برق آبی، و غیره را برآورده می­سازند. با وجود مزایای مختلف محسوس و نامحسوس، مخازن همچنین برخی اشکالات مانند قطع رژیم جریان طبیعی و اکوسیستم­های طبیعی؛ طغیان زمین، تخریب کیفیت آب، تخریب بستر رودخانه پایین دست و مهم تر از همه، "رسوب­گذاری مخزن" را دارند. با توجه به افزایش جمعیت و فعالیت های توسعه ای متعاقب آن در حوضه آبریز مخزن، مشکل رسوبات مخزن روز به روز در حال افزایش است. بنابراین بزرگترین چالش در عملیات مخازن مطالعه نرخ، حجم و الگوی رسوب­گذاری است [1،2[...

رسوب گذاری مخزن تکنیک های محاسبات نرم :کلمات کلیدی

چکیده انگلیسی


Abstract

The sedimentation is a pervasive complex hydrological process subjected to each and every reservoir in world at different extent. Hydrographic surveys are considered as most accurate method to determine the total volume occupied by sediment and its distribution pattern in a reservoir. But, these surveys are very cumbersome, time consuming and expensive. This complex sedimentation process can also be simulated through the well calibrated numerical models. However, these models generally are data extensive and require large computational time. Generally, the availability of such data is very scarce. Due to large constraints of these methods and models, in the present study, data driven approaches such as artificial neural networks (ANN), model trees (MT) and genetic programming (GP) have been investigated for the estimation of volume of sediment deposition incorporating the parameters influenced it along with conventional multiple linear regression data driven model. The aforementioned data driven models for the estimation of reservoir sediment deposition were initially developed and applied on Gobindsagar Reservoir. In order to generalise the developed methodology, the developed data driven models were also validated for unseen data of Pong Reservoir. The study depicted that the highly nonlinear models ANN and GP captured the trend of sediment deposition better than piecewise linear MT model, even for smaller length datasets

Keywords: Reservoir sedimentation Soft computing techniques
کتابخانه الکترونیک
دانلود مقالات ترجمه شده
جستجوی مقالات
با انتخاب رشته مورد نظر خود می توانید مقالات ترجمه شده آن رو به صورت موضوع بندی شده مشاهده نمایید