Documents disponibles écrits par cet auteur

B-Jump: Roller length, sequent depth, and relative energy loss using Artificial Neural Networks / Yazdandoost, F. Y. in Journal of hydraulic research, Vol. 45 N°4 (2007) 

Public ISBD [article]  in Journal of hydraulic research > Vol. 45 N°4 (2007) . - 529-537 p. Titre : B-Jump: Roller length, sequent depth, and relative energy loss using Artificial Neural Networks Titre original : B-Ressaut: Longueur de rouleau, profondeur résultante, et déperdition d'énergie relative, utilisant les réseaux neuronaux artificiels Type de document : texte imprimé Auteurs : Yazdandoost, F. Y., Auteur ; Fazeli, M., Auteur ; Bateni, S. M., Auteur Article en page(s) : 529-537 p. Note générale : Hydraulique Langues : Anglais (eng) Mots-clés : Hydraulic  jump  Neural  networks  Back  propagation  algorithm  Orthogonal  least  square  algorithm  Roller  length  Sequent  depth  Energy  loss  Ressaut  hydraulique  Réseaux  de  neurones  Retour  algorithme  de  propagation  Orthogonale  moindres  carrés  algorithme  Roller  longueur  Sequent  profondeur  Perte  d'énergie Index. décimale : 627 Ingénierie des cours d'eau naturels, des ports, des rades et des cotes. Installations de navigation, de dragage, de récupération et de sauvetage. Barrages et centrales électriques hydrauliques Résumé : The phenomenon of the hydraulic jump is so complex that despite considerable laboratory and prototype studies, estimation of its main characteristics in a generalized and accurate form is still difficult. The Artificial Neural Network (ANN) approach aims at limiting the needs for costly and time-consuming experiments. In this study, two ANN models, multi-layer perceptron using back propagation algorithm (MLP/BP) and radial basis function using orthogonal least-squares algorithm (RBF/OLS), were used to predict the roller length, sequent depth, and the relative energy loss of the B-jump. Based on a pre-specified range of jump parameters, the input vectors include: upstream bed slope (tan è ), inflow depth h 1, approach velocity V 1 and elevation of jump toe from the datum plane z 1, generated from the experimental data of Hager (J. Hydraul. Res., IAHR, 26(5), 539–558, 1988) and Kawagoshi and Hager (J. Hydraul. Res., IAHR, 28(4), 461–480, 1990). Once the network is trained to an acceptable level of accuracy, it produces an output of jump roller length, sequent depth, and relative energy loss for any input vector. The predicted values agree well with measurements. Sensitivity analysis was performed to investigate the importance of each input neuron. Finally a matrix of weights was specified for use at any given location. Le phénomène de ressaut hydraulique est si complexe que malgré les prototypes de laboratoire et d'études, l'estimation de ses principales caractéristiques dans une forme généralisée et exacte est encore difficile. Le réseau de neurones artificiels (RNA) approche vise à limiter les besoins de coûteux et longs d'expériences. Dans cette étude, deux modèles RNA, Perceptron multicouches utilisant l'algorithme de propagation arrière (MLP / BP) et de fonctions radiales utilisant orthogonale least-squares algorithme (RBF / OLS), ont été utilisés pour prédire le rouleau longueur, profondeur ultérieures, et le Perte relative d'énergie du B - ressaut. Basée sur une présélection gamme précise de paramètres ressaut, les alimentations suivantes: en amont lit pente (bronzage è), afflux profondeur hr 1, approche de la vitesse V 1 et à l'élévation du saut orteil du plan de référence Z 1, qui sont générés à partir de données expérimentales De Hager (J. Hydraul. Rés. , IAHR, 26 (5), 539-558, 1988) et Kawagoshi et Hager (J. Hydraul. Rés. , IAHR, 28 (4), 461-480, 1990). Une fois que le réseau est formé d'un niveau acceptable de précision, il produit une puissance de saut à rouleaux longueur, profondeur ultérieures, et la relative perte d'énergie pour tout vecteur d'entrée. Les valeurs prévues bien d'accord avec les mesures. L'analyse de sensibilité a été effectuée pour étudier l'importance de la contribution de chaque neurone. Enfin, une matrice de poids a été spécifié pour une utilisation en tout lieu donné. DEWEY : 627 ISSN : 0022-1686 RAMEAU : Ressaut hydraulique En ligne : Yazdandoost@kntu.ac.ir [article] B-Jump: Roller length, sequent depth, and relative energy loss using Artificial Neural Networks = B-Ressaut: Longueur de rouleau, profondeur résultante, et déperdition d'énergie relative, utilisant les réseaux neuronaux artificiels [texte imprimé] / Yazdandoost, F. Y., Auteur ; Fazeli, M., Auteur ; Bateni, S. M., Auteur . - 529-537 p. Hydraulique Langues : Anglais (eng) in Journal of hydraulic research > Vol. 45 N°4 (2007) . - 529-537 p. Mots-clés : Hydraulic  jump  Neural  networks  Back  propagation  algorithm  Orthogonal  least  square  algorithm  Roller  length  Sequent  depth  Energy  loss  Ressaut  hydraulique  Réseaux  de  neurones  Retour  algorithme  de  propagation  Orthogonale  moindres  carrés  algorithme  Roller  longueur  Sequent  profondeur  Perte  d'énergie Index. décimale : 627 Ingénierie des cours d'eau naturels, des ports, des rades et des cotes. Installations de navigation, de dragage, de récupération et de sauvetage. Barrages et centrales électriques hydrauliques Résumé : The phenomenon of the hydraulic jump is so complex that despite considerable laboratory and prototype studies, estimation of its main characteristics in a generalized and accurate form is still difficult. The Artificial Neural Network (ANN) approach aims at limiting the needs for costly and time-consuming experiments. In this study, two ANN models, multi-layer perceptron using back propagation algorithm (MLP/BP) and radial basis function using orthogonal least-squares algorithm (RBF/OLS), were used to predict the roller length, sequent depth, and the relative energy loss of the B-jump. Based on a pre-specified range of jump parameters, the input vectors include: upstream bed slope (tan è ), inflow depth h 1, approach velocity V 1 and elevation of jump toe from the datum plane z 1, generated from the experimental data of Hager (J. Hydraul. Res., IAHR, 26(5), 539–558, 1988) and Kawagoshi and Hager (J. Hydraul. Res., IAHR, 28(4), 461–480, 1990). Once the network is trained to an acceptable level of accuracy, it produces an output of jump roller length, sequent depth, and relative energy loss for any input vector. The predicted values agree well with measurements. Sensitivity analysis was performed to investigate the importance of each input neuron. Finally a matrix of weights was specified for use at any given location. Le phénomène de ressaut hydraulique est si complexe que malgré les prototypes de laboratoire et d'études, l'estimation de ses principales caractéristiques dans une forme généralisée et exacte est encore difficile. Le réseau de neurones artificiels (RNA) approche vise à limiter les besoins de coûteux et longs d'expériences. Dans cette étude, deux modèles RNA, Perceptron multicouches utilisant l'algorithme de propagation arrière (MLP / BP) et de fonctions radiales utilisant orthogonale least-squares algorithme (RBF / OLS), ont été utilisés pour prédire le rouleau longueur, profondeur ultérieures, et le Perte relative d'énergie du B - ressaut. Basée sur une présélection gamme précise de paramètres ressaut, les alimentations suivantes: en amont lit pente (bronzage è), afflux profondeur hr 1, approche de la vitesse V 1 et à l'élévation du saut orteil du plan de référence Z 1, qui sont générés à partir de données expérimentales De Hager (J. Hydraul. Rés. , IAHR, 26 (5), 539-558, 1988) et Kawagoshi et Hager (J. Hydraul. Rés. , IAHR, 28 (4), 461-480, 1990). Une fois que le réseau est formé d'un niveau acceptable de précision, il produit une puissance de saut à rouleaux longueur, profondeur ultérieures, et la relative perte d'énergie pour tout vecteur d'entrée. Les valeurs prévues bien d'accord avec les mesures. L'analyse de sensibilité a été effectuée pour étudier l'importance de la contribution de chaque neurone. Enfin, une matrice de poids a été spécifié pour une utilisation en tout lieu donné. DEWEY : 627 ISSN : 0022-1686 RAMEAU : Ressaut hydraulique En ligne : Yazdandoost@kntu.ac.ir