تخمین مشخصات هیدرولیکی کانال‌های واگرای مستهلک کننده انرژی با استفاده از روش ماشین بردار پشتیبان
Authors
Abstract:
Hydraulic jump is the most common method of dissipating water’s kinetic energy in downstream of spillways, shoots and valve. In this paper, Support Vector Machine (SVM) method, as a machine learning method, have been used to estimate hydraulic characteristics such as the sequent depth ratio, jump length and energy loss in three different sudden expansions stilling basins, and the rate of influence of input parameters in each jump has been analyzed. In order to evaluate the performance of proposed method, 936 sets of the observed data have been used for training and testing process of three kinds of expanding channel models. Furthermore, a comparison between semi-theoretical approaches and the data obtained from the best SVM models have been carried out. The results confirmed the efficiency of SVM method for estimating the hydraulic jump characteristics and proved that this method performed well in comparison to the semi-theoretical relationships. The obtained results revealed that the superior model for the sequent depth ratio and relative energy dissipation was the model with (Fr1,h1/B) parameters and the superior model for the length of hydraulic jump prediction was the model with (Fr1, h2/h1) parameters.
similar resources
تأثیر بازه بندی هیدرولیکی در تخمین بار بستر رودخانه های با بستر شنی با استفاده از ماشین بردار پشتیبان
ارزیابی و برآورد انتقال رسوب و فرایندهای همراه با آن، از دیرباز یکی از مسائل عمده و اصلی مهندسان هیدرولیک و رودخانه بوده است. رودخانههای با بستر شنی، ویژگیهایی دارند که آنها را از رودخانههای با بستر ماسهای متمایز کرده و باعث ایجاد مسائل و چالش‌هایی...
full textارزیابی عملکرد توابع کرنل در تخمین جریان رودخانه‌ها با استفاده از ماشین بردار پشتیبان
سابقه و هدف: پیش‌بینی دقیق رواناب رودخانه‌ها نقش مهمی در مدیریت بهینه منابع آب در دسترس دارد. در سال‌های اخیر، ماشین بردار پشتیبان (SVM) که یکی از مهمترین مدل‌های داده‌کاوی است برای این منظور مورد توجه قرار گرفته است. این مدل یک سیستم یادگیری کارآمد بر مبنای تئوری بهینه‌سازی مقید است که از اصل استقرای کمینه‌سازی خطای ساختاری استفاده کرده و منجر به یک جواب بهینه کلی می‌گردد. همانند مدل‌های داده...
full textتخمین عمق حداکثر آب شستگی در پایین دست آب پایه تثبیت بستر با استفاده از روش ماشین های بردار پشتیبان
full text
تخمین عیار کانسار فسفات اسفوردی با روش رگرسیون بردار پشتیبان
امروزه تخمین متغیر با استفاده از روشهای مبتنی بر هوش مصنوعی از جمله رویکردهای جدیدی است که فرآیند تصمیمگیری موثر را در بسیاری از علوم میسر ساخته است. تخمین عیار نیز از مسایل مهم در ارزیابی ذخایر معدنی در علوم زمین به شمار میرود. روشهای زمین آماری از جمله روشهای متداول تخمین متغیر در علوم زمین محسوب میشوند. از آنجایی که این روشها در رابطه با دادههایی که تعداد آنها محدود است و ماهیت پراک...
full textارزیابی عملکرد توابع کرنل در تخمین جریان رودخانه ها با استفاده از ماشین بردار پشتیبان
سابقه و هدف: پیش بینی دقیق رواناب رودخانه ها نقش مهمی در مدیریت بهینه منابع آب در دسترس دارد. در سال های اخیر، ماشین بردار پشتیبان (svm) که یکی از مهمترین مدل های داده کاوی است برای این منظور مورد توجه قرار گرفته است. این مدل یک سیستم یادگیری کارآمد بر مبنای تئوری بهینه سازی مقید است که از اصل استقرای کمینه سازی خطای ساختاری استفاده کرده و منجر به یک جواب بهینه کلی می گردد. همانند مدل های داده ...
full textطراحی سیستم تشخیص ندول های ریوی از روی تصاویر سی‌تی‌اسکن ریه با استفاده از طبقه‌بندی کننده ماشین بردار پشتیبان
مقدمه: تشخیص ندولهای ریوی به کمک رادیولوژی یکی از روشهای تشخیص زودرس سرطان در تصاویر سی‌تی‌اسکن است. یکی از چالشهای اصلی برای تشخیص ندولهای ریوی ، مشکل شناسایی و تفکیک ندولهای ریوی از اجزا ریه میباشد. در این پژوهش یک سیستم تشخیص به کمک کامپیوتر جهت شناسایی این ندول ها معرفی شده است. روش: این پژوهش مطالعهای توصیفی، تحلیلی بوده که به روی 97 تصویر سیتی اسکن انجام شده است. جهت تشخیص ندولها...
full textMy Resources
Journal title
volume 21 issue 2
pages 205- 219
publication date 2017-08
By following a journal you will be notified via email when a new issue of this journal is published.
No Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023