پیوندهای مفید
آمار
| تعداد نشریات | 22 |
| تعداد شمارهها | 705 |
| تعداد مقالات | 10,146 |
| تعداد مشاهده مقاله | 71,450,463 |
| تعداد دریافت فایل اصل مقاله | 63,173,977 |
پیشبینی پاسخ دینامیکی سیال در مخازن هوایی آب با استفاده از شبکه عصبی | ||
| مدل سازی در مهندسی | ||
| مقاله 12، دوره 15، شماره 48، خرداد 1396، صفحه 139-150 اصل مقاله (1.28 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2017.2441 | ||
| نویسندگان | ||
| حمید پورباقری* 1؛ افشین پورتقی2؛ پیام اشتری1 | ||
| 1دانشگاه زنجان | ||
| 2دانشگاه تبریز | ||
| تاریخ دریافت: 09 تیر 1392، تاریخ بازنگری: 27 اردیبهشت 1393، تاریخ پذیرش: 09 دی 1393 | ||
| چکیده | ||
| در این مقاله، توانایی روش شبکه عصبی مصنوعی در پیشبینی رفتار دینامیکی سیال در مخازن هوایی آب مورد بررسی قرار گرفته است. برای این منظور، یک مدل شبکه عصبی برای تخمین دو پارامتر فشار هیدرودینامیک کف مخزن و نوسان سطح سیال ارائه شده است. مدل مورد نظر با استفاده از الگوریتم پس انتشار خطا در برنامه MATLAB نگارش و مورد آموزش و آزمون قرار گرفته است. دادههای مورد نیاز برای آموزش شبکه از نتایج تحلیل دینامیکی غیرخطی یک نمونه مخزن هوایی بتنی با پایه مرکزی به کمک برنامه توانمند ANSYS استخراج شده است. تاریخچه زمانی شتاب افقی زلزله به همراه تغییرمکان سقف مخزن و نیروی برش پایه به عنوان پارامترهای ورودی استفاده شدهاند. سپس عملکرد مدل ارائه شده با مقایسه نتایج حاصل از تحلیل اجزای محدود و خروجی مدل مورد ارزیابی قرار گرفته است. نتایج نشان می دهد که روش ارائه شده مبتنی بر شبکه عصبی مصنوعی توانایی بسیار مناسبی در تخمین پاسخ دینامیکی سیال درون مخزن بویژه برای پارامتر فشار دارد. | ||
| کلیدواژهها | ||
| مخازن آب هوایی؛ شبکه عصبی مصنوعی؛ فشار هیدرودینامیکی؛ تلاطم سطح آب؛ تحلیل دینامیکی | ||
| عنوان مقاله [English] | ||
| Prediction of dynamic response of fluid in elevated water tanks using artificial neural network model | ||
| نویسندگان [English] | ||
| hamid pourbagheri1؛ afshin pourtaghi2؛ payam Ashatri1 | ||
| 1zanjan | ||
| 2tabriz | ||
| چکیده [English] | ||
| The objective of this study is to investigate the adequacy of Artificial Neural Networks (ANN) as a method to determine the dynamic response of fluid in elevated water tanks. For this purpose, an ANN models were proposed to estimate the hydrodynamic pressure in bottom of container and sloshing of water surface. ANN models were developed, trained and tested in a based MATLAB program. Nonlinear dynamic analysis using Finite Element Application (FEA) based ANSYS was used to generate training and testing set of ANN models. In the ANN models, a multilayer perceptron (MLP) with a back-propagation (BP) algorithm was employed using a scaled conjugate gradient. The data used in the ANN model are arranged in a format of three input parameters that cover the time history of earthquake horizontal acceleration, container ceiling displacement and base shear force.The performance of the new ANN model is compared with ANSYS results. The comparison indicates that the ANN model has strong potential to estimate hydrodynamic pressure. It was demonstrated that the neural network based approach is highly successful to estimate response of fluid subjected to earthquake without using complex fluid elements. | ||
| کلیدواژهها [English] | ||
| Elevated Water Tank, Artificial Neural Network, Hydrodynamic Pressure, Sloshing | ||
| مراجع | ||
|
[1] Caglar, N., Elmas, M., Dere Yaman, Z., & Saribiyik, M. (2008). Neural networ ks in 3-dimensional dynamic analysis of reinforced concrete buildings. Construction and Building Materials, 22, 788-800. [2] Kulahci, F., Inceoz, M., Dogru, M., Aksoy, E., & Baykara, O. (2009). Artificial neural network model for earthquake prediction with radon monitoring. Applied Radiation and Isotopes, 67, 212-219. [3] Kim, Y. S., & Kim, B. T. (2008). Prediction of relative crest settlement of concrete-faced rockfill dams analyzed using an artificial neural network model. Computers and Geotechnics , 35, 313–322. [4] Mansour, M., Dicleli, M., Lee, J., & Zhang, J. (2004). Predicting the shear strength of reinforced concrete beams using artificial neural networks. Engineering Structures, 26, 781–799. [5] Choubey, A., Segal, D., & Tandon, N. (2006). Finite element analysis of vessels to study changes in natural frequencies due to cracks. International Journal of Pressure Vessels and Piping, 83, 181–187. [6] Memari, A. M., Ahmadi, M. M., & Rezaee, B. (1992). “Behavior of reinforced concrete water towers during Manjil-Roudbar earthquake of June 1990”. 10th World Conference on Earthquake Engineering, (pp. Vol. 9, , pages 4953). Balkema, Rotterdam. [7] Liu, He & Schubert, Daniel H. (2010) “Effects of Nonlinear Geometric and Material Properties on the Seismic Response of Fluid/Tank Systems”. ANSYS international conference. [8] Kalani Sarokolayi, L., Navayineya, B., Hosainalibegi, M., & Vaseghi Amiri, J. (2008). “Dynamic Analysis of Water Tanks with Interaction between Fluid and Structure”. Beijing, China: The 14th World Conference on Earthquake Engineering. [9] Adeli, H. (2001), “Neural network in civil engineering”, Comp-Aided Civil and Infrastructures Eng, J, 6, pp 126-142. [10] Fausett, L.V. (1994), “Fundamentals neural networks: Architecture, algorithms, and applications”, Prentice-Hall, Englewood Cliffs, N.J.
| ||
|
آمار تعداد مشاهده مقاله: 1,469 تعداد دریافت فایل اصل مقاله: 713 |
||