آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,381 |
| تعداد مقالات | 16,906 |
| تعداد مشاهده مقاله | 54,421,849 |
| تعداد دریافت فایل اصل مقاله | 17,098,387 |
شبیهسازی ضریب دبی دریچه جانبی توسط مدل نوین ماشین آموزش نیرومند خارج از محدوده | ||
| دانش آب و خاک | ||
| مقاله 1، دوره 32، شماره 3، مهر 1401، صفحه 1-13 اصل مقاله (1.31 M) | ||
| شناسه دیجیتال (DOI): 10.22034/ws.2021.39308.2349 | ||
| نویسندگان | ||
| فرزاد حسنی1؛ سعید شعبانلو* 2 | ||
| 1دانشجوی دکتری منابع آب، گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران | ||
| 2گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران | ||
| چکیده | ||
| در این مطالعه برای اولین بار ضریب دبی دریچه جانبی توسط یک روش نوین هوش مصنوعی تحت عنوان ماشین آموزش نیرومند خارج از محدوده (ORELM) شبیهسازی شد. برای اینکار، ابتدا پارامترهای موثر بر روی ضریب دبی شامل نسبت عرض کانال اصلی به طول دریچه جانبی (B/L)، نسبت ارتفاع تاج دریچه جانبی به طول دریچه جانبی (W/L)، نسبت عمق جریان به به طول دریچه جانبی (Ym/L) و عدد فرود (Fr) شناسایی شدند و پنج مدل ORELM با استفاده از این این پارامترها توسعه داده شدند (ORELM 1 to ORELM 5). سپس داده‌های آزمایشگاهی به دو دسته آموزش (70 درصد) و آزمون (30 درصد) تقسیم شدند. در ادامه با انجام یک تحلیل حساسیت مدل برتر و موثرترین پارامترهای ورودی شناسایی شدند. مدل برتر (ORELM 3) مقادیر ضریب دبی را بر حسب B/L، W/L و Fr شبیهسازی کرد. لازم به ذکر است که مدل ORELM 3 مقادیر ضریب دبی را با دقت مناسبی پیش‌بینی نمود. به‌عنوان مثال، مقادیر ضریب همبستگی (R)، شاخص پراکندگی (SI) و ضریب بهره‌وری نش- ساتکیف (NSC) در وضعیت آزمون برای مدل ORELM 3 به‌ترتیب مساوی با 936/0، 049/0 و 852/0 بدست آمدند. تجزیه و تحلیل نتایج شبیهسازی نشان داد که W/L و Fr موثرترین پارامترهای ورودی برای شبیهسازی ضریب دبی بودند. علاوه بر این نتایج تحلیل عدم قطعیت نشان داد که مدل ORELM 3 عمکردی کمتر از واقعی داشت. | ||
| کلیدواژه‌ها | ||
| ضریب دبی؛ دریچه جانبی؛ ماشین آموزش نیرومند خارج از محدوده؛ تحلیل عدم قطعیت؛ تحلیل حساسیت مشتق نسبی | ||
| اصل مقاله | ||
|
مقدمه به طور کلی دریچه جانبی به شکل یک شکاف بر روی دیواره کانالهای اصلی برای هدایت و کنترل آبهای زائد در داخل شبکههای زهکشی و کانالهای آبیاری نصب میشوند. برای افزایش راندمان یک دریچه جانبی، شناسایی پارامترهای تاثیرگذار بر روی مقدار آبگذری از اهمیت بسزایی برخوردار است. لازم به ذکر است که ضریب دبی مهمترین پارامتر برای طراحی بهینه یک دریچه جانبی است. این ضریب دبی تابع پارامترهای هیدرولیکی و هندسی مختلفی است که تعیین میزان اهمیت هر کدام از این پارامترها نقش بسیار کلیدی در طراحی بهینه این نوع از سازههای انحراف جریان ایفا خواهد کرد. به دلیل اهمیت بالای دریچه جانبی مطالعات بسیاری بر روی هیدرولیک جریان عبوری از داخل دریچه جانبی و ضریب دبی آنها انجام گرفته است. در سالهای اخیر، استفاده از مدلهای هوش مصنوعی و تکنیکهای محاسبات نرم مختلف به دلیل توانایی بالا در مدلسازی پدیدههای پیچیده و غیرخطی به شکل قابل توجهی افزایش یافته است. این مدلها سرعت بالایی در شبیهسازی پدیدههای مختلف دارند و از انعطاف‌پذیری مناسبی نیز برخوردار هستند. بهدلیل این مزایا، مطالعات مختلفی برای شبیهسازی ضریب دبی سرریزهای جانبی، روزنههای جانبی و دریچه جانبی توسط مدلهای هوش مصنوعی ارائه شده است. به‌عنوان مثال، ابتهاج و همکاران (2015) با استفاده از مدل تکاملی GEP ضریب دبی سرریزهای قرار گرفته بر روی مجاری مستطیلی را شبیهسازی نمودند. آنها با تجزیه و تحلیل نتایج شبیهسازیها یک رابطه برای تخمین ضریب دبی ارائه کردند. علاوه بر این، ابتهاج و همکاران (2015) ضریب دبی روزنههای جانبی مستطیلی را توسط مدل GMDH پیش‌بینی کردند. آنها با اجرای یک تحلیل حساسیت مدل برتر و پارامتر تأثیرگذار بر روی ضریب دبی را معرفی کردند. خوشبین و همکاران (2016) یک مدل هیبریدی را برای محاسبه ضریب دبی سرریزهای جانبی مستطیلی توسعه دادند. آنها مدلهای انفیس، الگوریتم ژنتیک (GA) و تجزیه بردار منفرد (SVM) را برای شبیهسازی ضریب دبی ترکیب نمودند. عظیمی و همکاران (b2017) ضریب دبی روزنههای جانبی مستطیلی توسط یک مدل دینامیک سیالات محاسباتی و یک مدل هیبریدی هوش مصنوعی تخمین زدند. ایشان نشان دادند که مدل هوش مصنوعی دقت بیشتری برای مدلسازی ضریب دبی داشت. اخباری و همکاران (2017) با استفاده از یک مدل شبکه عصبی مصنوعی و مدل M5 ضریب دبی سرریزهای مثلثی را شبیهسازی کردند. آنها روابطی را برای تخمین ضریب دبی پیشنهاد دادند. همچنین عظیمی و همکاران (2019) ضریب دبی سرریزهای مستطیلی واقع بر مجاری ذوزنقهی را توسط مدل ماشین بردار پشتیبان (SVM) پیش‌بینی کردند. آنها با اجرای یک تحلیل حساسیت مدل برتر و پارامتر مؤثر را معرفی کردند و برای تخمین ضریب دبی یک ماتریس پیشنهاد نمودند. مرور مطالعات گذشته نشان میدهد که ضریب دبی سازههای انحرافی از قبیل سرریزهای جانبی، روزنههای جانبی و دریچه جانبی از اهمیت بالای برخوردار است و ضریب دبی مهمترین پارامتر برای ارائه یک طرح بهینه و مناسب است. علاوه بر این، تکنیکهای متنوع هوش مصنوعی به شکل گستردهای برای شبیهسازی ضریب دبی این نوع از سازه های انحراف جریان بهکار گرفته شدهاند. بنابراین با توجه به مطالب ارائه شده، در این مطالعه برای اولین بار ضریب دبی دریچه جانبی توسط یک مدل نوین هوش مصنوعی تحت عنوان ماشین آموزش نیرومند خارج از محدوده (ORELM) شبیهسازی شد. هدف اصلی در این مطالعه، معرفی مدل برتر (ترکیبی از مهمترین پارامترهای ورودی) و مؤثرترین پارامتر ورودی بود که توسط تجزیه و تحلیل نتایج مدل ORELM انجام گردید. در ابتدا با استفاده پارامترهای تأثیرگذار بر روی ضریب دبی دریچه جانبی، پنج مدل ORELM تعریف شد. سپس با انجام یک تحلیل حساسیت، مدل ORELM برتر و مؤثرترین پارامتر ورودی شناسایی گردید. علاوه بر این، یک عدم قطعیت بر روی مدلهای ORELM اجرا شد. لازم به ذکر است که بر روی مدل ORELM برتر نیز یک تحلیل حساسیت مشتق نسبی انجام گردید. | ||
| مراجع | ||
|
Akhbari A, Zaji AH, Azimi H and Vafaeifard M, 2017. Predicting the discharge coefficient of triangular plan form weirs using radian basis function and M5’methods. Applied Research in Water and Wastewater 4(1): 281-289.
Azimi H, Bonakdari H and Ebtehaj I, 2019. Design of radial basis function-based support vector regression in predicting the discharge coefficient of a side weir in a trapezoidal channel. Applied Water Science 9: 78. https://doi.org/10.1007/s13201-019-0961-5.
Azimi H, Bonakdari H and Ebtehaj I, 2017a. Sensitivity analysis of the factors affecting the discharge capacity of side weirs in trapezoidal channels using extreme learning machines. Flow Measurement and Instrumentation 54: 216-223.
Azimi H, Shabanlou S, Ebtehaj I, Bonakdari H and Kardar S, 2017b. Combination of computational fluid dynamics, adaptive neuro-fuzzy inference system, and genetic algorithm for predicting discharge coefficient of rectangular side orifices. Irrigation and Drainage Engineering 143(7): 040170151-9.
Azimi H, Bonakdari H, Ebtehaj I and Khoshbin F, 2018. Evolutionary design of Generalized Group Method of Data Handling-type neural network for estimating hydraulic jump roller length. Acta Mechanica 229(3): 1197–1214.
Azimi H, Bonakdari H and Ebtehaj I, 2017c. A highly efficient gene expression programming model for predicting the discharge coefficient in a side weir along a trapezoidal canal. Irrigation and Drainage 66(4): 655-666.
Ebtehaj I, Bonakdari H, Zaji AH, Azimi H and Sharifi A, 2015. Gene expression programming to predict the discharge coefficient in rectangular side weirs. Applied Soft Computing 35: 618-628.
Ebtehaj I, Bonakdari H, Khoshbin F and Azimi H, 2015. Pareto genetic design of group method of data handling type neural network for prediction discharge coefficient in rectangular side orifices. Flow Measurement and Instrumentation 41: 67-74.
Huang GB, Zhu QY and Siew CK, 2006. Extreme learning machine: theory and applications. Neurocomputing 70(1-3): 489-501.
Hussain A, Ahmad Z and Asawa GL, 2011. Flow through sharp-crested rectangular side orifices under free flow condition in open channels. Agricultural Water Management 98(10): 1536-1544.
Khoshbin F, Bonakdari H, Ashraf Talesh SH, Ebtehaj I, Zaji AH and Azimi H, 2016. Adaptive neuro-fuzzy inference system multi-objective optimization using the genetic algorithm/singular value decomposition method for modelling the discharge coefficient in rectangular sharp-crested side weirs. Engineering Optimization 48(6): 933-948.
Ojha CSP and Subbaiah D, 1997. Analysis of flow through lateral slot. Journal of Irrigation and Drainage Eengineering 123(5): 402-405.
Zhang K and Luo M, 2015. Outlier-robust extreme learning machine for regression problems. Neurocomputing 151: 1519-1527. | ||
|
آمار تعداد مشاهده مقاله: 561 تعداد دریافت فایل اصل مقاله: 396 |
||