بررسی اثر جداشدگی فازی بر توزیع غلظت و تنش ناشی از نفو ذ در جامدات

اختصاصی از فی دوو بررسی اثر جداشدگی فازی بر توزیع غلظت و تنش ناشی از نفو ذ در جامدات دانلود با لینک مستقیم و پر سرعت .

عنوان مقاله :بررسی اثر جداشدگی فازی بر توزیع غلظت و تنش ناشی از نفو ذ در جامدات

 محل انتشار:نهمین کنگره ملی مهندسی عمران مشهد

تعداد صفحات: 9

نوع فایل : pdf

عملکرد هیدرولیکی جریان دو فازی آب و هوا بر روی تنداب های پلکانی با موانع بلوکی

اختصاصی از فی دوو عملکرد هیدرولیکی جریان دو فازی آب و هوا بر روی تنداب های پلکانی با موانع بلوکی دانلود با لینک مستقیم و پر سرعت .

عنوان مقاله :عملکرد هیدرولیکی جریان دو فازی آب و هوا بر روی تنداب های پلکانی با موانع بلوکی

 محل انتشار:نهمین کنگره ملی مهندسی عمران مشهد

تعداد صفحات: 9

نوع فایل : pdf

تحقیق در مورد پیش بینی سطح آب در مخزن با استفاده از سیستم استنتاج فازی – عصبی تطبیقی

اختصاصی از فی دوو تحقیق در مورد پیش بینی سطح آب در مخزن با استفاده از سیستم استنتاج فازی – عصبی تطبیقی دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

 تعداد صفحه70

فهرست مطالب

شناسایی عیوب موتور براساس روش های هوشمند

انواع روش های تحلیلی در تشخیص عیوب [3]

پیش بینی سطح آب در مخزن با استفاده از سیستم استنتاج فازی – عصبی تطبیقی

(ANFIS)

مقدمه:

سدها و مخازن مهمترین و موثرترین سیستم ذخیره آب می باشند که توزیع نابرابر مکانی و زمانی آب را تغییر می دهند. آنها نه تنها در تامین آب شرب، تولید انرژی برقابی و آبیاری زمین های پایین دست کاربرد داشته، بلکه در به حداقل رسانی خسارات ناشی از سیلاب و خشکسالی نیز نقش موثری را ایفا می کنند. بدون شک به منظور استفاده کامل از آب موجود، مدیریت بهینه مخازن بسیار با اهمیت می باشد. مدیریت مخزن مجموعه ای از تصمیم ها را در بر می گیرد که جمع آوری و رهاسازی آب در طول زمان را مشخص می کنند. با توجه به کارکردهای مختلف مخازن، پیش بینی دقیق دبی ورودی و سطح آب می تواند در بهینه سازی مدیریت منابع آب، بسیار موثر باشد. با توجه به وجود روابط غیرخطی، عدم قطعیت زیاد و ویژگی های متغیر زمانی در سیستم های آبی، هیچ یک از مدل های آماری و مفهومی پیشنهاد شده به منظور پیش بینی دقیق سطح آب نتوانسته به عنوان یک مدل برتر و توانا شناخته شوند[1]. امروزه سیستم های هوشمند به منظور پیش بینی یک چنین پدیده های پیچیده و غیرخطی، بسیار مورد استفاده قرار می گیرند. روش بدیع سیستم استنتاج فازی – عصبی تطبیقی[1] (ANFIS) یکی از این روشهاست که یک شبکه پس خور چند لایه می باشد و از الگوریتمهای یادگیری شبکه عصبی و منطق فازی به منظور طراحی نگاشت غیرخطی بین فضای ورودی و خروجی استفاده می کند. ANFIS با توجه به توانایی در ترکیب قدرت زبانی یک سیستم فازی با قدرت عددی یک شبکه عصبی، نشان داده است که در مدل سازی فرایندهای همچون مدیریت مخازن [2،3]، سری های زمانی هیدرولوژیکی [4] و برآورد رسوب [5] بسیار قدرتمند می باشند.

هدف اصلی این تحقیق بررسی توانایی سیستم استنتاج فازی – عصبی تطبیقی جهت پیش بینی سطح آب در مواقع سیلابی و به صورت ساعتی می باشد. به این منظور از اطلاعات اشل پنج ایستگاه بالادست سد دز، جهت پیش بینی سطح آب در مخزن این سد استفاده شد. همچنین به منظور بررسی توانایی شبکه های فازی – عصبی در تقابل با تصمیمات بشری، دو الگوی متفاوت یکی با در نظر گرفتن خروجی مخزن به عنوان متغیر ورودی و دیگری بدون این متغیر به کار گرفته شد.

مواد و روشها

سیستم استنتاجی فازی – عصبی تطبیقی (ANFIS)

از زمانی که پروفسور عسگرزاده تئوری منطق فازی را به منظور توصیف سیستم های پیچیده پیشنهاد داد، این منطق بسیار مشهور شده است و به طور موفقیت آمیزی در مسائل مختلف، به ویژه کنترل کننده هایی مثل راکتور شیمیایی، قطارهای خودکار و راکتورهای هسته ای به کار گرفته شده است. اخیرا منطق فازی برای مدل کردن مدیریت مخازن و حل ویژگیهای مبهم آنها پیشنهاد شده است. با وجود این، مشکل اصلی منطق فازی این است که روند سینماتیکی برای طراحی یک کنترل کننده فازی وجود ندارد. به عبارت دیگر، یک شبکه عصبی این توانایی را دارد که از محیط آموزش ببیند (جفت های ورودی – خروجی)، ساختارش را خود مرتب کند و با شیوه ای، تعامل خود را تطبیق دهد. بدین منظور پروفسور جنگ در سال 1993 مدل ANFIS را ارائه کرد که قابلیت ترکیب توانایی دو روش مذکور را داشت[6].

ساختار و الگوریتم: [1]

ANFIS قابلیت خوبی در آموزش، ساخت و طبقه بندی دارد و همچنین دارای این مزیت است که اجازه استخراج قوانین فازی را از اطلاعات عددی یا دانش متخصص می دهد و به طور تطبیقی یک قاعده – بنیاد می سازد. علاوه بر این، می تواند تبدیل پیچیده هوش بشری به سیستم های فازی را تنظیم کند. مشکل اصلی مدل پیش بینی ANFIS، احتیاج نسبتا زیاد به زمان برای آموزش ساختار و تعیین پارامترها می باشد.

به منظور ساده سازی، فرض می شود که سیستم استنتاجی مورد نظر دو ورودی x و y و یک خروجی z دارد. برای یک مدل فازی تاکاگی – سوگنو درجه اول، می توان یک مجموعه قانون نمونه را با دو قانون اگر – آنگاه فازی به صورت زیر بیان کرد:

قانون اول: اگر x برابر A1 و y برابر B1 باشد آنگاه

قانون دوم: اگر x برابر A2 و y برابر B2 باشد آنگاه

که Pi، qi و ri (i=1,2) پارامترهای خطی در بخش تالی مدل فازی تاکاگی – سوگنو درجه اول هستند. ساختار ANFIS شامل پنج لایه می شود (شکل 1) که معرفی خلاصه ای از مدل در پی می آید:

لایه اول، گره های ورودی[2]: هر گره از این لایه، مقادیر عضویتی که به هر یک از مجموعه های فازی مناسب تعلق دارند، با استفاده از تابع عضویت تولید می کنند.

که x و y ورودی های غیرفازی به گره I و Ai و Bi (کوچک، بزرگ و ...)، برچسب های زبانی هستند که به ترتیب با توابع عضویت مناسب Aiμ و Biμ مشخص می شوند. در اینجا معمولا از فازی سازهای گوسی و زنگی شکل استفاده می شود. باید پارامترهای این توابع عضویت که به عنوان پارامترهای مقدماتی در این لایه شناخته می شوند، مشخص شوند.

لایه دوم، گره های قاعده[3]: در لایه دوم، عملگر " و" (AND) به کار برده می شود تا خروجی (قوه اشتعال[4]) که نمایانگر بخش مقدم آن قانون است، بدست می آید. قوه اشتغال به مقدار درجه ای که بخش مقدم یک قانون فازی برآورده شده، گفته می شود و به تابع خروجی آن قانون شکل می دهد. از این رو، خروجی های O2,k این لایه، حاصل ضرب درجات مربوط به لایه اول هستند.

لایه سوم، گره های متوسط[5]: هدف اصلی در لایه سوم، تعیین نسبت هر قوه اشتعال iامین قانون به مجموع همه قوه اشتعال قوانین می باشد. در نتیجه  به عنوان قوه اشتعال نرمال شده به دست می آید:

لایه چهارم، گره های نتیجه[6]: تابع گره چهارمین لایه توزیع iامین قانون را به کل خروجی محاسبه می کند و به صورت زیر تعریف می شود:

که  خروجی iامین گره از لایه قبلی است.

{pi , qi , ri} ضرایب این ترکیب خطی بوده، همچنین مجموعه پارامترهای بخش تالی مدل فازی تاکاگی – سوگنو نیز می باشند.

لایه پنجم، گره های خروجی[7]: این تک گره، خروجی کلی را با جمع کردن همه سیگنال های ورودی محاسبه می کند. بنابراین، در این لایه فرایند غیرفازی سازی، نتایج هر قانون فازی را به خروجی غیرفازی تغییر شکل می دهد.

این شبکه براساس یادگیری با نظارت، آموزش داده می شود. بنابراین هدف ما آموزش شبکه های تطبیقی است که قادر به تخمین توابع نامشخص حاصل از اطلاعات آموزش بوده و مقدار دقیقی برای پارامترهای بالا پیدا کنند.

ویژگی متمایزکننده ANFIS، فراهم کردن الگوریتم یادگیری پیوندی، روش شیب گرادیان و روش حداقل مربعات، به منظور اصلاح پارامترها می باشد. روش شیب گرادیان به کار گرفته می شود تا پارامترهای غیرخطی مقدماتی (ai , bi) را تنظیم کند، در حالیکه روش حداقل مربعات به کار گرفته می شود تا پارامترهای خطی بخش تالی را تعیین کند. روند آموزش دو مرحله دارد: در مرحله اول، در حالیکه پارامترهای بخش مقدم (توابع عضویت) ثابت فرض می شوند، با استفاده از روش حداقل مربعات پارامترهای بخش تالی تعیین می شوند. سپس سیگنال های خطا پس ار انتشار می یابند. روش شیب گرادیان استفاده می شود تا پارامترهای مقدماتی از طریق حداقل کردن تابع هزینه درجه دوم کلی، اصلاح شود. به منظور اطلاعات بیشتر در مورد الگوریتم یادگیری پیوندی می توانید به مرجع [6] رجوع کنید.

مقاله در مورد ارائه روشی فازی برای شناسایی الگو های عددی فارسی

اختصاصی از فی دوو مقاله در مورد ارائه روشی فازی برای شناسایی الگو های عددی فارسی دانلود با لینک مستقیم و پر سرعت .

• لینک پرداخت و دانلود *پایین مطلب*

  فرمت فایل:Word (قابل ویرایش و آماده پرینت)

   تعداد صفحه25

  فهرست مطالب

  تعریف پروژه

• مروری بر کار های انجام شده

• تحلیل موضوع

          -- پیش پردازش

          -- استخراج ویژگی ها

          -- شناسایی

      - مجموعه فازی و انتخاب تابع عضویت

• تحلیل کد های استفاده شده در شبیه سازی

• شبیه سازی و ارائه نتایج تجربی

• بررسی مزایا و معایب روش موجود

• پیوست

• مراجع

تعریف پروژه

تشخیص دست نوشته ها موضوعی است که در سه دهه اخیر مورد مطالعه و بررسی گسترده ای قرار گرفته است و با انفجار تکنولوژی اطلاعات پیشرفت های چشم گیری در این زمینه از تحقیقات اتفاق افتاده است .

دو روش کلی ومتفاوت  برای شناسایی دست نوشته وجود دارد :on_line و off_line .در سیستم های on_line با استفاده از یک قلم مخصوص بر روی سطحی الکترونیکی روند نوشتن انجام میشود و تشخیص به صورت on_line انجام می گیرد ٬ کاریرد این نوع سیستم ها  در حوزه های امنیتی از جمله امضای دیجیتال می باشد .در سیستم های off_line دست نوشته ها قبلا جمع آوری شده اند و شناسایی بر روی آنها انجام می گیرد٬ کاربرد این نوع سیستم ها در خواندن اتوماتیک چک های بانکی ٬آدرس های پستی [1]٬ خواندن نامه های تجاری و...می باشد[2].

یکی از کاربرد های موفق از تشخیص دست نوشته ٬ باز شناسی نویسه های نوری [1]  است که جندین سال است که موضوع تحقیقات قرار گرفته است ٬ برای اولین بار فقط کاراکتر های مجزا توسط این سیستم ها مورد شناسایی قرار می گرفتند ودر نتیجه روند تکامل٬ تمام کلمات مورد شناسایی توسط سیستم های ocr قرار گرفتند[3]  اسناد دست نوشته برای شناسایی از طریق این گونه سیستم ها باید کاملا تمیز و با کیفیت بالا باشند.

در این پروژه می خواهم با استفاده از ویژگی های روش فازی روشی برای شناسایی ارقام دست نویس فارسی ارائه دهم  .

برای شناسایی الگو های اعداد با قلم ها و اندازه های مختلف ، نرمالیزه کردن الگو ها امری اجتناب نا پذیر است ، بدین منظور از پنجره ای با اندازه ثابت استفاده کرده و اعداد را با مقیاس مناسبی در داخل این پنجره قرار می دهیم .

مهمترین عامل در شناسایی اعداد و حروف توسط چشم انسان ویژگی های مربوط به هر نویسه است ،چشم به طور طبیعی  در مقایسه ویژگی های حروف و اعداد به صورت فازی عمل می کند روش های مختلفی را می توان برای استخراج ویژگی ها مورد استفاده قرار داد مثلا می توان یک نویسه را به قطعات کوچکتری شامل : خطوط افقی ،عمودی ، مایل و همچنین منحنی های بسته و کمان های محدب ومقعر تجزیه کرد و نحوه اتصال قطعات را مورد بررسی قرار داد . در این پروژه برای استخراج ویژگی از روش چهار خانه استفاده می شود [14,15]

در این روش یک تصویر با ابعاد64*64 به جدولی با ابعاد 8*8 نگاشته می شود ،بنابر این جدولی شامل 64 خانه خواهد بود که ابعاد هر یک از خا نه های جدول 8*8 است.

برای هر خانه جدول یک ویژگی استخراج کرده ، ویژگی بر اساس فاصله برداری نرمالیزه در[14]  انتخاب می شود  ،مجموعه داده ای  به عنوان مجموعه مرجع در نظر گرفته می شود و میانگین ، واریانس ، تابع عضویت هر ویژگی و سپس متوسط تابع عضویت برای نمونه های مرجع را به دست می آوریم واز این به بعد هر عددی که به سیستم داده شود ویژگی هایش را استخراج می کنیم و تابع عضویت هر ویژگی را به دست آورده و با نمونه های مراجع مقایسه می شود و شناسایی بر اساس یک روش فازی صورت می گیرد.

در این پروژه دو تابع فازیگر را معرفی کرده ، در قسمت  های بعدی به چگونگی و جزییات مراحل کار می پردازم .

مروری بر کار های انجام شده

همان طور که گفته شد یکی از کاربرد های موفق از تشخیص دست نوشته ٬ باز شناسی نویسه های نوری [2]  است که چندین سا ل است که موضوع تحقیقات قرار گرفته است ٬ برای اولین بار فقط کاراکتر های مجزا توسط این سیستم ها مورد شناسایی قرار می گرفتند ودر نتیجه روند تکامل٬ تمام کلمات مورد شناسایی توسط سیستم های ocr قرار گرفتند[3]  اسناد دست نوشته برای شناسایی از طریق این گونه سیستم ها باید کاملا تمیز و با کیفیت بالا باشند.

در نتیجه تحقیقات و تلاش های موثر ٬ سیستم هایی برای زبان انگلیسی[4 ]٬ زبان عربی    [5] ٬زبان فارسی٬ [1]زبان چینی[6]و دست نوشته های عددی [7] فراهم است.

اولین گام برای تبدیل تصویر به اطلاعات قابل فهم برای کامپیوتر ٬ پارامتریک کردن عملیات است . لذا اولین عملیاتی که بر روی تصویر انجام می دهیم عملیات پیش پردازش تصویر است که می خواهیم بعضی از متغیر های ناخواسته را که باعث پیچیدگی پروسه تشخیص می شوند را کاهش دهیم ٬ عملیاتی مانند اصلاح کجی ها ٬ هموار سازی ٬ نرمالیزه کردن٬ بخش بندی[3] و.. یر روی تصاویر اعمال می کنیم. [8]

بعد از این مرحله باید ویژگی ها را استخراج کنیم٬در[9] برای انتخاب ویژگی ها ٬ روشhmm دو بعدی را انتخاب کرده است و سپس یک روش دسته بندی را برای شناسایی انتخاب کرده٬ روش های دسته بندی کننده نیز بسیار مختلف است٬   از جمله دسته بندی کننده

های svm ,neural networks, ,knn. .[10,11]

 روش های زیادی برای استخراج ویژگی ها وجود دارد اما مسئله اصلی که در این رابطه وجود دارد پیدا کردن روش های استخراج ویژگی نیست بلکه به دنبا ل پیدا کردن بهترین روش برای استخراج ویژگی ها هستیم [12]

در [7] روشی جدید برای استخراج ویژگی ها در نظر گرفته شده است ،ویژگی های استخراج شده توالی توزیع ،barr-feature ،different projecrtion ،different profile می باشد و برای شناسایی شبکه عصبی را انتخاب کر ده است .

در [14],[15] با استفاده از ویژگی های روش فازی در مدلسازی نحوه استدلال مغز برای برخورد با پدیده مبهم ،روشی برای شناسایی الگو های عددی دست نویس و تایپ شده با  قلم ها و اندازه های مختلف ارائه می شود.و روش چهار خانه[4] را برای استخراج ویژگی انتخاب کرده اند .

تحلیل موضوع

من برای تشخیص ارقام دست نویس یک سیستم off-line را پیشنهاد کردم که این سیستم به سه مرحله تقسیم می شود[7]

• پیش پردازش[5]
• استخراج ویژگی ها[6]
• شناسایی[7]

پیش پردازش 

   هدف عملیات پیش پردازش در پردازش تصویر٬ آماده کردن و تمیز کردن تصویر برای مراحل دیگر سیستم ocr می باشد. مجموعه عملیاتی که در این مرحله انجام می دهیم متفاوت است

موارد زیر عملیات پیش پردازش را تحت پوشش قرار می دهد: [8]

طرح صفحه ورودی، scaning، سایز بندی و حذف کردن لکه ها و تیرگی های موجود در تصویرو....

در این پروژه عملیاتی را که من به عنوان پیش پردازش انجام میدهم به شرح زیر است:

• فیلترینگ تصاویر:

تصاویری که ما از اعداد در اختیار داریم ممکن است به دلایل  مختلفی از جمله شرایط bad writing ٬ شرایط بد فراگیری٬  وضعیت نویسنده و... آغشته باشد که باید در این مرحله پس از شناسایی نویز تصویر ٬ فیلترینگ مناسب را برای حذف نویز انتخاب کنیم  مثلا ممکن است تصاویر آغشته به نویز نمک وفلفل باشند که با چشم نیز دیده می شود که برای حذف آن می توانیم فیلتر میانه را اعمال کرده و به راحتی نویز را از تصویر حذف کنیم .

• نرمالیزه کردن تصویر

همان طور که می دانیم تصاویر دودویی سایز های متغیری دارند که باید قبل از شناسایی و ادامه مراحل کاری سایز تمام تصاویر را به اندازه یکسانی تبدیل نمود که در اینجا سایز تمام تصاویر را به سایز 64*64   پیکسل تبدیل می کنیم.

نمونه ای از تصاویراعداد که به عنوان مرجع انتخاب کرده ایم را ملاحظه می کنید.

            

استخراج ویژ گی ها

در این مقاله برای استخراج ویژگی ها از  روش چهار خانه استفاده شده است، به این ترتیب که تصاویری از اعداد را که در اختیار داریم به ابعاد 64*64 پیکسل ،به جدولی به ابعاد 8*8 نگاشته می شود .بنابر این جدول شامل 64 خانه خواهد بود که ابعاد هر یک از خانه های جدول 8*8 است.

گوشه سمت چپ پایین ترین خانه جدول را به عنوان نقطه مرجع در نظر گرفته ام و فاصله متوسط برداری هر یک ازخانه ها را نسبت به نقطه مرجع به دست آورده ام .

فاصله اقلیدسی هر نقطه با مختصات (I,j) از رابطه زیر به دست می آید

D(I,j)=√i2,j2                                                                                                         

و برای به دست آوردن متوسط فاصله برداری برای هر خانه از رابطه زیر استفاده می شود

Dav(b)=1/nb∑db(ik,jk)

که nb تعداد پیکسل های سیا ه در خانهb  ام جدول است و db بیانگر فاصله نقاط سیاه در خانه شماره b نسبت به مبدا است .

هر یک از این فواصل برداری به عنوان یک ویژگی در نظر گرفته می شود و در مجموع برای هر عدد 64 ویژگی استخراج می کنیم .

برای خانه های خالی جدول (خانه هایی که در آن پیکسل سیاه وجود ندارد ) مقدار متوسط را  صفر در نظر می گیریم .

شناسایی

ویژگی های استخراج شده برای شناسایی اعداد با قلم های  مختلف به کار برده می شود .  پایگاه داد ه ا ی از اعداد فارسی ایجاد کرده ام .برای شناسایی هر عدد به مجموعه داده های عددی مرجع نیازمندیم که در قسمت های بعدی به نحوه ایجاد آنها   می پردازیم.

مجموعه فازی و انتخاب تابع عضویت

به منظور شناسایی مجموعه نویسه های عددی ناشناخته با استفاده از منظق فازی ، از یک تابع گوسی برای عضویت استفاده می شود.این تابع بر اساس فاصله برداری نرمالیزه انتخاب می شود.

برای شناسایی یک عدد ناشناخته نیاز به مجموعه داده های عددی مرجع داریم .

برای ایجاد مجموعه داده مرجع ،من 10 نمونه برای هر عدد در نظر گرفته ام که در مجموع 100  نمونه از اعداد را خواهیم داشت و برای این 100 نمونه ویژگی ها را استخراج می کنیم .

روش کار به این صورت است که برای هر رقم 64 ویژگی استخراج می کنیم ونیز برای هر رقم 10 نمونه داریم ،لذا برای هررقم خاص و برای هر  ویژگی 10 نمونه ویژگی استخراج می کنیم و برای آنها  میانگین و واریانس را مطابق فرمول زیر محاسبه می کنیم .

Mi=1/n∑nj fij                                                                                                                                               

σ2i=1/n ∑jn  (fij - mi )2                                                                                                                               

در روابط بالا i بیانگر شماره ویژگی (i=1,2,…64) و fij بیانگر مقدار ویژگی (فاصله برداری متوسط) برای نمونه j ام در خوشه i ام (خانه i ام جدول) است.و n  برابر با تعداد

عملکرد هیدرولیکی جریان دو فازی آب و هوا بر روی تنداب های پلکانی با موانع بلوکی

اختصاصی از فی دوو عملکرد هیدرولیکی جریان دو فازی آب و هوا بر روی تنداب های پلکانی با موانع بلوکی دانلود با لینک مستقیم و پر سرعت .

• مقاله با عنوان: عملکرد هیدرولیکی جریان دو فازی آب و هوا بر روی تنداب های پلکانی با موانع بلوکی  

• نویسندگان: محمدرضا بهشتی ، مهدی حمیدی ، فاطمه محمدحسینی  

• محل انتشار: نهمین کنگره ملی مهندسی عمران - دانشگاه فردوسی مشهد - 21 تا 22 اردیبهشت 95  

• فرمت فایل: PDF و شامل 9 صفحه می باشد.

چکیــــده:

تنداب پلکانی یکی از مهمترین و پرکاربردترین سازه های هیدرولیکی در محیط های آبی اعم از بستر رودخانه ها، سرریز سدها، تصفیه خانه ها و کانال های انتقال آب می باشد. از مشخصه های عملکردی این سازه می توان به استهلاک قابل توجه انرژی جنبشی جریان عبوری و تشکیل جریان دوفازی آب و هوا آنها اشاره نمود. در این تحقیق، به منظور بررسی افزایش کارایی این سازه هیدرولیکی در شرایط مختلف بهره برداری و نیز کاهش ابعاد سازه ای، از موانع بلوکی با چینش متناوب بر روی مدل فیزیکی یک نمونه تنداب پلکانی ساده استفاده شده است. سپس با استفاده از روش دینامیک سیالات محاسباتی، مدل عددی تنداب پلکانی مذکور در نرم افزار FLOW-3D توسعه داده شد و شاخص های طراحی اینگونه سازه ها نظیر آستانه هواگیری طبیعی، رژیم های مختلف جریان عبوری، میزان پراکنش انرژی جریان، توزیع سرعت و غلظت هوای ورودی به جریان در امتداد تنداب پلکانی ساده و بلوکدار مورد ارزیابی قرار گرفتند. در توسعه مدل عددی تنداب پلکانی از موانع بلوکی با ابعاد هندسی متغیر استفاده گردید. برای شبیه سازی آشفتگی جریان دوفازی از مدل آشفتگی K-ε و برای تعیین نیمرخ سطح ازاد جریان از روش VOF استفاده شد. صحت سنجی مدل عددی، بر اساس یافته های آزمایشگاهی بهشتی و خسروجردی (1392) انجام پذیرفت که نتایج مدل انطباق مناسبی با نتایج آزمایشگاهی نشان داد. نتایج تحقیق نشان داد که بکارگیری موانع بلوکی با ابعاد هندسی معین در امتداد جریان بر روی تنداب های پلکانی، نقش بسزایی در میزان استهلاک انرژی جریان و افزایش هواگیری طبیعی داشته است و با افزایش تدریجی دبی جریان عبوری، رژیم جریان از نوع ریزشی بیشتر غالب خواهد بود.

________________________________

** توجه: خواهشمندیم در صورت هرگونه مشکل در روند خرید و دریافت فایل از طریق بخش پشتیبانی در سایت مشکل خود را گزارش دهید. **

** درخواست مقالات کنفرانس‌ها و همایش‌ها: با ارسال عنوان مقالات درخواستی خود به ایمیل [e-mail] پس از قرار گرفتن مقالات در سایت به راحتی اقدام به خرید و دریافت مقالات مورد نظر خود نمایید. **