آمار
| تعداد نشریات | 43 |
| تعداد شماره‌ها | 1,253 |
| تعداد مقالات | 15,411 |
| تعداد مشاهده مقاله | 51,245,975 |
| تعداد دریافت فایل اصل مقاله | 14,254,216 |
بررسی میزان افت انرژی جریان در سرریزهای زیگزاگی با استفاده از روش‌های مبتنی بر محاسبات نرم | ||
| نشریه مهندسی عمران و محیط زیست دانشگاه تبریز | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 28 مرداد 1402 اصل مقاله (1.25 M) | ||
| نوع مقاله: مقاله کامل پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/ceej.2023.56773.2263 | ||
| نویسندگان | ||
| حمیدرضا عباس زاده1؛ رضا تاری نژاد* 2 | ||
| 1دانشجوی دکتری، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران | ||
| 2استاد، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران | ||
| چکیده | ||
| هدف از پژوهش حاضر بررسی میزان افت انرژی نسبی (EDR) در سرریزهای کنگره‌ای با پلان مثلثی و ذوزنقه‌ای در ابعاد مختلف با استفاده از مدل ماشین بردار پشتیبان (SVM)، الگوریتم جنگل تصادفی (RF) و روش شبکه عصبی مصنوعی (ANN) است. از مجموعه داده‌های آزمایشگاهی 70% برای مرحله آموزش و 30% برای مرحله آزمون مورد استفاده قرار گرفتند. در مدل SVM، نتایج کرنل‌های مختلف نشان داد که کرنل تابع پایه شعاعی (RBF) نتایج بهتری در پیش‌بینی افت انرژی نسبی سرریز کنگره‌ای در مقایسه با کرنل‌های چندجمله‌ای (Polynomial)، خطی (Linear) و سیگموئید (Sigmoid) دارد. نتایج شاخص‌های آماری ضریب همبستگی (R)، میانگین درصد خطای نسبی (Mean RE%)، خطای جذر میانگین مربعات (RMSE) و شاخص کلینگ گوپتا (KGE) برای مدل SVM-RBF در مرحله آزمون به‌ترتیب 907/0، 38/1%، 0153/0 و 744/0 است. در روش ANN شبکه چند لایه پرسپترون (MLP) نتایج دقیق‌تری در مقایسه با شبکه RBF دارد. نتایج شاخص‌های فوق در مرحله آزمون برای روش ANN-MLP به‌ترتیب 969/0، 73/0%، 007/0 و 968/0 است. همچنین این نتایج برای مدل RF به‌ترتیب 878/0، 78/1%، 0192/0 و 362/0 است. بررسی نتایج نشان داد که روش ANN عملکرد مطلوبی نسبت به سایر مدل‌های SVM و RF دارد. | ||
| کلیدواژه‌ها | ||
| سرریز زیگزاگی؛ افت انرژی؛ شبکه عصبی مصنوعی؛ ماشین بردار پشتیبان؛ الگوریتم جنگل تصادفی | ||
|
سایر فایل های مرتبط با مقاله
|
||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 99 تعداد دریافت فایل اصل مقاله: 88 |
||
