جستجو در تالارهای گفتگو

FLOW VARIABLES PREDICTION USING EXPERIMENTAL, COMPUTATIONAL FLUID DYNAMIC AND ARTIFICIAL NEURAL NETWORK MODELS IN A SHARP BEND S. Ajeel Fenjan, H. Bonakdari, A. Gholami and A. A. Akhtari Abstract Bend existence induces changes in the flow pattern, velocity profiles and water surface. In the present study, based on experimental data, first three-dimensional computational fluid dynamic (CFD) model is simulated by using Fluent two-phase (water + air) as the free surface and the volume of fluid method, to predict the two significant variables (velocity and channel bed pressure) in 90º sharp bend. The CFD results are compared with experimental data, and CFD model is verified with average RMSE, 0.02 and 0.13 and MAE, 0.018 and 0.1 respectively for the velocity and the pressure. Then, two multi-layer perceptron artificial neural network (MLP-ANN) model is trained by observed datas. The results show that the value of R2, 0.984 and 0.99 respectively to predict the velocity of flow and pressure by ANN models are acceptable accuracy. ANN model acts more accurately with average erro value of MAE, 0.048 than the CFD model with average MAE, 0.06 to predict the velocity and pressure. The velocity and pressure pattern of flow is predictable through both numerical models, CFD and ANN models in every part of the channel. Keywords CFD model, ANN model, 90º sharp bend, flow velocity, flow pressure چکیده وجود قوس موجب تغییر در الگوی جریان، پروفیل سرعت و سطح آب می­گردد. در تحقیق حاضر، با استناد به نتایج آزمایشگاهی موجود در ابتدا با استفاده از مدل سه­بعدی دینامیک سیالات محاسباتی فلوئنت به­صورت دو فازی (آب + هوا) و سطح آزاد و با استفاده از روش حجم سیال دو متغییر قابل توجه سرعت و فشار وارد بر کف کانال در قوس تند 90 درجه شبیه­سازی شده است. نتایج مدل دینامیک سیالات محاسباتی (CFD) با مقادیر آزمایشگاهی مقایسه و با متوسط RMSE، 02/0 و 13/0 و MAE، 018/0 و 1/0 به­ترتیب برای سرعت و فشار جریان صحت­سنجی شده است. در ادامه دو مدل شبکه عصبی مصنوعی پرسپترون چند لایه (ANN-MLP) با استفاده از داده­های مشاهداتی موجود آموزش داده می­شود. بررسی نتایج نشان می­دهد که مقدار R2، 984/0 و 99/0 برای پیش­بینی به­ترتیب سرعت و فشار جریان نشان از دقت قابل قبول دو مدل شبکه عصبی دارند. مدل شبکه عصبی با مقدار متوسط MAE، 048/0 نسبت به مدل دینامیک سیالالت با متوسط MAE، 06/0 در پیش­بینی سرعت و فشار دقت بیشتری دارد. همچنین الگوی سرعت و فشار جریان به کمک هر دو مدل عددی، دینامیک سیالات و شبکه عصبی در هر نقطه از میدان حل قابل پیش­بینی می­باشد. منبع دانلود 29-1-3.pdf

Numerical Investigation of Sluice Gates' Shape Factor on Contraction Coefficient Original Article, B13 Sadeghfam S and Akhtari AA. Journal. Civil Eng. Urban. 2(2): 72-74. 2012. ABSTRACT:The behavior of flow under sluice gate and determining the water profile is one of the important issues in hydraulic engineering. In this study the contraction coefficient is studied and the effect of slice gate's shape is observed numerically by CFD model. The turbulence model k-e (RNG) and unsteady flow mode are used in analysis of two dimensional gates. Three types of slice gate's shapes are analyzed and contraction coefficient of these cases is presented and compared with experimental and theoretical results of other researchers. It is worth mentioning that for these cases the equations in terms of the ratio of gate opening to depth of approaching flow behind gate, are collected. So the gate's shape has significant role on contraction coefficient and between 3 types of gate's shapes that are investigated in this research, contraction coefficient of the sluice gate with shape of two side slope (case 3) has larger amount of this coefficient. Keywords: Sluice Gate, CFD model, Contraction Coefficient, Turbulence Model k-e (RNG) منبع: [Hidden Content] دانلود: [Hidden Content].,B13-72-74.pdf J. Civil Eng. Urban.,B13-72-74.pdf