آمار
| تعداد نشریات | 41 |
| تعداد شماره‌ها | 1,116 |
| تعداد مقالات | 13,678 |
| تعداد مشاهده مقاله | 48,555,124 |
| تعداد دریافت فایل اصل مقاله | 12,304,619 |
مدلسازی ضریب دبی سرریزهای جانبی واقع بر کانالهای همگرا توسط مدل ترکیبی انفیس- کرم شبتاب | ||
| دانش آب و خاک | ||
| مقاله 9، دوره 32، شماره 3، مهر 1401، صفحه 115-129 اصل مقاله (1.36 MB) | ||
| شناسه دیجیتال (DOI): 10.22034/ws.2021.41418.2371 | ||
| نویسندگان | ||
بابک سان احمدی1؛ مجید حیدری  2؛ سعید گوهری3؛ سعید شعبانلو3
| ||
| 1گروه مهندسی آب، دانشگاه بوعلی سینا | ||
| 2استادیار سازه های آبی، گروه علوم و مهندسی آب، دانشگاه بوعلی سینا، همدان | ||
| 3دانشیار منابع آب، گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه | ||
| چکیده | ||
| در این مطالعه یک مدل هیبریدی برای تخمین ضریب دبی سرریزهای جانبی واقع بر کانالهای همگرا توسعه داده شد. به عبارت دیگر با استفاده از الگوریتم کرم شبتاب (FA) شبکه انفیس (ANFIS) بهینه سازی شد. سپس با استفاده از پارامترهای ورودی، شش مدل ANFIS و ANFIS-FA تعریف شد. در ابتدا بهینه‌ترین تعداد خوشه‌ها برای شبکه ANFIS محاسبه شد. همچنین در این مطالعه برای بررسی دقت مدل‌سازی‌ها از شبیهسازی مونت کارلو استفاده گردید. علاوه بر این برای صحت سنجی نتایج مدل‌سازی‌ها از روش اعتبار سنجی ضربدری بهره گرفته شد. با تجزیه و تحلیل مدل‌سازی‌های مشاهده شد که مدلهای هیبریدی در مقایسه با مدل ANFIS دارای دقت بیشتری هستند. سپس مدل برتر معرفی شد که این مدل مقادیر ضریب دبی را بر حسب کلیه پارامترهای ورودی تخمین می‌زند. مدل برتر مقادیر ضریب دبی را با دقت مناسبی شبیهسازی کرد. به عنوان مثال مقادیر R2، MAE و RMSE برای مدل برتر به‌ترتیب برابر 933/، 011/0 و 015/0 محاسبه شد. همچنین حدودا 98 درصد نتایج مدل برتر دارای خطایی کمتر از 12 درصد بود. بر اساس نتایج عدم قطعیت، مدل برتر دارای عملکردی بیشتر از مقدار واقعی بود. تحلیل حساسیت نشان داد که عدد فرود جریان در پائین‌دست سرریز جانبی موثرترین پارامتر ورودی بود. | ||
| کلیدواژه‌ها | ||
| انفیس؛ کانال همگرا؛ الگوریتم کرم شبتاب؛ ضریب دبی سرریز جانبی؛ آنالیز حساسیت | ||
| اصل مقاله | ||
|
سرریزهای جانبی کاربرد بسیار وسیعی در مهندسی آب، سازههای هیدرولیکی و مهندسی محیط زیست دارند و برای کنترل سطح جریان در سیستمهای زهکشی، جمع آوری فاضلاب و شبکههای آبیاری مورد استفاده قرار میگیرند. مطالعات آزمایشگاهی، تئوریک و عددی مختلفی در ارتباط با جریان در داخل کانالهای دارای سرریزجانبی انجام گرفته است. به عنوان مثال باقری و همکاران (2014) در یک مطالعه آزمایشگاهی مشخصات هیدرولیکی سرریزهای جانبی مستطیلی را مورد مطالعه قرار دادند. امیراقلو و همکاران (2017) تاثیر گردابهها در دهانه سرریزهای جانبی کنگرهای ذوزنقهای مشخصات هیدرولیکی این نوع از سازههای انحرافی از قبیل ظرفیت آبگذری و آبشستگی را مورد مطالعه آزمایشگاهی قرار دادند. مارانزونی و همکاران (2017) در یک مطالعه آزمایشگاهی مشخصات هیدرولیکی سرریزهای جانبی مستطیلی در داخل کانال همگرا را مورد بررسی قرار دادند. آنها نشان دادند که همگرایی کانال اصلی باعث افزایش قابل توجه کارایی سرریز جانبی میشود. اخیرا الگوریتمهای محاسبات نرم و هوش مصنوعی برای شبیهسازی مسائل مختلف هیدرولیکی استفاده شدهاند. به عنوان مثال ابتهاج و همکاران (2015) با استفاده برنامهنویسی بیان ژن مقادیر ضریب دبی سرریزهای جانبی مستطیلی واقع بر مجاری مستطیلی شبیهسازی نمودند. آنها یک رابطه برای تخمین ضریب دبی پیشنهاد دادند. خوشبین و همکاران (2016) با استفاده از یک الگوریتم هیبریدی ضریب دبی سرریزهای جانبی مستطیلی را مدلسازی نمودند. همچنین عظیمی و همکاران (2017) به کمک ماشین آموزش نیرومند ضریب دبی سرریزهای جانبی بر روی مجاری ذوزنقهای پیشبینی نمودند. آنها با تحلیل حساسیت پارامترهای موثر بر روی ضریب دبی را شناسایی کردند. همچنین آنها یک ماتریس برای محاسبه ضریب دبی سرریزهای جانبی مستطیلی بر روی کانال ذوزنقهای شکل ارائه نمودند. عظیمی و همکاران (a2019) مقادیر ضریب دبی سرریزهای جانبی واقع بر کانالهای ذوزنقهی برای شرایط جریان زیربحرانی را توسط مدل ماشین بردار پشتیبان تخمین زدند. آنها نشان دادند که عدد فرود موثرترین پارامتر ورودی جهت مدلسازی ضریب دبی بود. علاوه بر این زارعی و همکاران (2020) ضریب دبی سرریزهای جانبی واقع بر کانالهای همگرا را توسط ماشین آموزش نیرومند پیشبینی نمودند. آنها شش مدل ماشین آموزش نیرومند تعریف کردند و با اجرای یک تحلیل حساسیت، مدل برتر و مهمترین پارامتر ورودی را معرفی کردند. با بررسی مطالعات گذشتگان مشاهده میشود که مدلسازی ضریب دبی سرریزهای جانبی واقع بر مجاری همگرا تاکنون توسط مدلهای هیبریدی انجام نشده است. در این مطالعه برای اولین بار یک مدل فرا ابتکاری برای تخمین ضریب دبی سرریزهای جانبی واقع بر کانالهای همگرا توسعه داده میشود. برای این منظور شبکه ANFIS توسط الگوریتم کرم شبتاب بهینه سازی میشود. سپس با توجه به پارامترهای ورودی، 6 مدل متمایز معرفی شده و با تجزیه وتحلیل نتایج مدلسازی، مدل برتر و موثرترین پارامتر معرفی میشود. | ||
| مراجع | ||
|
Azimi H, Bonakdari H and Ebtehaj I, 2017. 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, Bonakdari H, Ebtehaj I and Michelson DG, 2018. A combined adaptive neuro-fuzzy inference system–firefly algorithm model for predicting the roller length of a hydraulic jump on a rough channel bed. Neural Computing and Applications, 29(6): 249-258.
Azimi H, Bonakdari H, Ebtehaj I, Shabanlou S, Talesh SHA and Jamali A, 2019a. A Pareto design of evolutionary hybrid optimization of ANFIS model in prediction abutment scour depth. Sādhanā 44(7): 1-14.
Azimi H, Bonakdari H and Ebtehaj I, 2019b. 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): 1-12.
Bagheri S, Kabiri-Samani AR and Heidarpour M, 2014. Discharge coefficient of rectangular sharp-crested side weirs Part II: Domínguez's method. Flow Measurement and Instrumentation 35: 116-121.
Buragohain M and Mahanta C, 2008. A novel approach for ANFIS modelling based on full factorial design. Applied Soft Computing 8: 609-625.
Ebtehaj I, Bonakdari H and Sharifi A, 2014. Design criteria for sediment transport in sewers based on self-cleansing concept. Journal of Zhejiang University Science A. 15(11): 914-924.
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.
Emiroglu ME, Gogus M, Tunc M and Islamoglu K, 2017. Effects of antivortex structures installed on trapezoidal labyrinth side weirs on discharge capacity and scouring. Journal of Irrigation and Drainage Engineering 143(6): 04017006-04017013.
Gharib R, Heydari M, Kardar S and Shabanlou S, 2020. Simulation of discharge coefficient of side weirs placed on convergent canals using modern self-adaptive extreme learning machine. Applied Water Science 10(1): 1-11.
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.
Naderloo L, Alimardani R, Omid M, Sarmadian F, Javadikia P, Torabi MY and Alimardani F, 2012. Application of ANFIS to predict crop yield based on different energy inputs. Measurement 45: 1406-1413
Maranzoni A, Pilotti M and Tomirotti M, 2017. Experimental and numerical analysis of side weir flows in a converging channel. Journal of Hydraulic Engineering 143(7): 7009-7017.
Serge G, 2001. Designing fuzzy inference systems from data: Interpretability oriented review. IEEE Transaction on Fuzzy System 9: 426-442.
Yang XS, 2010. Firefly algorithm. Pp.221-230. In: Yang XS, (ed.) Engineering Optimization, Wiley Online Library.
Zarei S, Yosefvand F and Shabanlou S, 2020. Discharge coefficient of side weirs on converging channels using extreme learning machine modeling method. Measurement 152: 107322. | ||
|
آمار تعداد مشاهده مقاله: 327 تعداد دریافت فایل اصل مقاله: 49 |
||
