آمار
| تعداد نشریات | 41 |
| تعداد شماره‌ها | 1,130 |
| تعداد مقالات | 13,902 |
| تعداد مشاهده مقاله | 48,942,832 |
| تعداد دریافت فایل اصل مقاله | 12,609,190 |
مدل‌سازی ضریب دبی سرریزهای کنگره‌ای توسط تکنیک‌های هوش مصنوعی | ||
| دانش آب و خاک | ||
| مقاله 4، دوره 31، شماره 1، فروردین 1400، صفحه 45-58 اصل مقاله (1.2 MB) | ||
| شناسه دیجیتال (DOI): 10.22034/ws.2021.11627 | ||
| نویسندگان | ||
شهاب الدین شفیعی1؛ محسن نجارچی  2؛ سعید شعبانلو3
| ||
| 1دانشجوی دکتری عمران، گروه مهندسی عمران، واحد اراک، دانشگاه آزاد اسلامی، اراک | ||
| 2دانشیار گروه مهندسی عمران، واحد اراک، دانشگاه آزاد اسلامی، اراک | ||
| 3دانشیار گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه | ||
| چکیده | ||
| در این مطالعه، جهت تخمین ضربی دبی سرریزهای کنگره‌ای، از یک روش تکاملی بر مبنای نرو- فازی استفاده شد. به منظور بهینهسازی پارامترهای سیستم استنتاج عصبی- فازی سازگار (ANFIS) از الگوریتم کرمشبتاب (FFA) استفاده گردید. در مدل‌سازی روشهای ANFIS و ANFIS-FFA، جهت بررسی عدم قطعیت مدل، از شبیهسازی مونت کارلو استفاده شد. علاوه بر این، با استفاده از روش اعتبارسنجی چند لایه اقدام به ارائه مدلهایی شد که از انعطافپذیری و تعمیمپذیری قابل توجهی برخوردار بود. در ابتدا، پارامترهای بی بعد ورودی شامل عدد فرود (Fr)، نسبت هد روی سرریز به ارتفاع سرریز (HT/p )، زاویه راس (α)، نسبت طول تاج سرریز به عرض کانال (Lc/W)، نسبت طول راس سرریز به عرض زاویه راس (A/w) و نسبت عرض زاویه راس به ارتفاع سرریز (w/p ) تعریف و برای ANFIS و ANFIS-FFA هفت مدل مختلف توسعه داده شدند. سپس با استفاده از تحلیل حساسیت، مدلهای برتر (ANFIS 5 و ANFIS-FFA 5) و موثرترین پارامتر ورودی (عدد فرود) شناسایی گردیدند. همچنین، نتایج توزیع خطا نشان داد که تقریبا 70 درصد نتایج مدل برتر (ANFIS-FFA 5) خطایی کمتر از 5 درصد داشتند. بهعبارت دیگر، دقت خوب مدل برتر به لحاظ آماری تایید گردید. در انتها تحلیل عدم قطعیت برای مدلهای برتر اجرا گردید. | ||
| کلیدواژه‌ها | ||
| الگوریتم کرم شبتاب؛ انفیس؛ بهینهسازی؛ سرریز کنگره‌ای؛ ضریب دبی | ||
| مراجع | ||
|
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(4): 78. Bagheri S and Heidarpour M, 2010. Application of free vortex theory to estimate discharge coefficient for sharp-crested weirs. Biosystems Engineering 105(3): 423-427. Buragohain M and Mahanta C, 2008. A novel approach for ANFIS modelling based on full factorial design. Applied Soft Computing 8(1): 609-625. Carollo FG, Ferro V and Pampalone V, 2017. Testing the outflow process over a triangular labyrinth weir. Journal of Irrigation and Drainage Engineering 143(8): 06017007. Chanson H and Wang H, 2013. Unsteady discharge calibration of a large V notch weir. Flow Measurement and Instrumentation 29: 19-24. Ebtehaj I, Bonakdari H and Shamshirband S, 2016. Extreme learning machine assessment for estimating sediment transport in open channels. Engineering with Computers 32(4): 691-704. doi:10.1007/s00366-016-0446-1. Esmaeilpour L, Farsadizadeh D and Hosseinzadeh Dalir A, 2016. Study of hydraulic properties of labyrinth semi-circular one sided weir. Water and Soil Science- University of Tabriz, 26(1):187-195. (In Persian with English abstract) Haghiabi AH, Parsaie A and Ememgholizadeh S, 2017. Prediction of discharge coefficient of triangular labyrinth weirs using Adaptive Neuro Fuzzy Inference System. Alexandria Engineering Journal 57:1773-1782. Kumar S, Ahmad Z and Mansoor T, 2011. A new approach to improve the discharging capacity of sharp-crested triangular plan form weirs. Journal of Flow Measurement and Instrumentation 22(3): 175-180. Roushangar K, Alami MT, Majedi Asl M and Shiri J, 2017. Modeling discharge coefficient of normal and inverted orientation labyrinth weirs using machine learning techniques. ISH Journal of Hydraulic Engineering 23(3): 331-340. Roushangar K, Alami MT, Shiri J and Asl MM, 2018. Determining discharge coefficient of labyrinth and arced labyrinth weirs using support vector machine. Hydrology Research 49(3): 924-938. Roushangar K, Alami MT, Shiri J and Asl MM, 2017. Determination of discharge coefficient of labyrinth and arced labyrinth weirs by support vector regression method. Water and Soil Science-University of Tabriz 27(1):173-186. (In Persian with English abstract) Seamons TR, 2014. Labyrinth weirs: a look into geometric variation and its effect on efficiency and design method predictions. Master of Science thesis. Utah State University. USA. Yang XS, 2010. firefly algorithm, stochastic test functions and design optimization. International Journal of Biological Macromolecules 2(2): 78-84. | ||
|
آمار تعداد مشاهده مقاله: 356 تعداد دریافت فایل اصل مقاله: 226 |
||
