این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مدلسازی در مهندسی، جلد ۱۵، شماره ۴۸، صفحات ۱۳-۱۳
عنوان فارسی پیش‌بینی پاسخ دینامیکی سیال در مخازن هوایی آب با استفاده از شبکه عصبی
چکیده فارسی مقاله 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.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Prediction of dynamic response of fluid in elevated water tanks using artificial neural network model
چکیده انگلیسی مقاله 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.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله حمید پورباقری |


افشین پورتقی |


پیام اشتری |


نشانی اینترنتی
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات