تعداد نشریات | 44 |
تعداد شمارهها | 1,302 |
تعداد مقالات | 16,018 |
تعداد مشاهده مقاله | 52,485,246 |
تعداد دریافت فایل اصل مقاله | 15,212,937 |
تعیین ضریب دبی سرریزهای کنگرهای و قوسی کنگرهای با روش رگرسیون بردار پشتیبان | ||
دانش آب و خاک | ||
مقاله 14، دوره 27، شماره 1، خرداد 1396، صفحه 173-186 اصل مقاله (820.88 K) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
کیومرث روشنگر* 1؛ محمد تقی اعلمی2؛ مهدی ماجدی اصل3 | ||
11-دانشیار گروه آب، دانشکده عمران، دانشگاه تبریز | ||
2-استاد گروه آب، دانشکده عمران، دانشگاه تبریز | ||
33-دانشجوی دکتری گروه آب، دانشکده عمران، دانشگاه تبریز | ||
چکیده | ||
سرریزهای کنگرهای یکی از سازههای تنظیم سطح آب و کنترل جریان در رودخانهها و کانالها و انتقال آب از سراب به پایاب سدها بوده و امروزه بهطور گسترده مورد استفاده قرار میگیرند. در این تحقیق، ضریب دبی انواع سرریزهای کنگرهای با استفاده از دادههای آزمایشگاهی با روش رگرسیون بردار پشتیبان تعیین گردید. بدینمنظور، دادههای آزمایشگاهی مورد مطالعه (527 داده) برای چهار نوع سرریز مختلف شامل سرریزهای کنگرهای نرمال و معکوس در کانال و سرریزهای قوسی کنگرهای بدون تیغهشکن و با تیغهشکن در مخزن برای تعیین ضریب دبی، مورد بررسی قرار گرفت. برای ارزیابی کارآیی مدلها از معیارهای جذر مربع میانگین خطاها (RMSE)، ضریب تبیین یا کارایی (E یا DC) و مربع ضریب همبستگی (R2) استفاده شد. نتایج حاصل نشان داد که روش رگرسیون بردار پشتیبان کارآیی بالایی در تعیین ضریب دبی سرریزهای کنگرهای دارد. معیارهای ارزیابی مدل در مرحله آزمون برای سرریز کنگرهای نرمال (990/0=R2، 988/0 =DC، 0077/0=RMSE) بوده و بررسی تحلیل حساسیت نشان میدهد که پارامترهای (HT/P, Fr) و (HT/p, α/θ) بهترتیب بیشترین تاثیر را بر روی سرریزهای کنگرهای و قوسی کنگرهای دارند. | ||
کلیدواژهها | ||
تیغه شکن؛ رگرسیون بردار پشتیبان؛ سرریزهای کنگرهای؛ سرریزهای قوسی کنگرهای؛ ضریب دبی | ||
مراجع | ||
عباسپور ا و ارونقی ه، 1390. پیشبینی جریان بر روی سرریز مرکب مثلثی- مستطیلی با استفاده از برنامهریزی ژنتیک. دهمین کنفرانس هیدرولیک ایران، 17-19 آبان ماه، دانشگاه گیلان، رشت. Azamathulla H Md, Haghiabi AH and Parsaie A, 2016. Prediction of side weir discharge coefficient by support vector machine technique. Water Science & Technology: Water Supply doi: 10.2166/ws.2016.014.
Christensen NA, 2012. Flow characteristics of arced labyrinth weirs. M Sc thesis, Utah State University, Logan, UT.
Crookston BM and Tullis B, 2010. Hydraulic performance weirs. Proc Int Junior Researcher and Engineer Workshop on Hydraulic structures (IJREWHS ‘10). Edinburgh, U.K.
Gentilini B, 1940. Weirs within Plan Oblique Crest and Zig-zag. Memories and Studies of the Institute of Hydraulics and Hydraulic Regil the Polytechnic of Milan.
Goel A, 2013. Modeling aeration of sharp crested weirs by using support vector machines. World Academy of Science, Engineering and Technology Vol: 7 (12): Schola r.waset.org /1999.8/ 10002382. Goel A, 2014. Neural network technique for prediction of discharge coefficient and discharge for a weir, Journal of Indian Water Resources Society 34(2): 2014.
Henderson, FM, 1966. Open Channel Flow. Macmillan, New York, USA.
Hanbay D, Baylar A and Batan M, 2009. Prediction of aeration efficiency on stepped cascades by using least square support vector machines. Expert Systems with Applications 36 (3): 4248–4252.
Hay N and Taylor G, 1970. Performance and design of labyrinth weirs. Journal of Hydraulic Engineering, ASCE 96(11): 2337-2357.
Juma IA, Hussein H and AL-Sarraj M, 2014. Analysis of hydraulic characteristics for hollow semi-circular weirs using artificial neural networks. Flow Measurement and Instrumentation 38: 49–53.
Kocahan H, and Taylor G, 2002. Rehabilitation of Black Rock Dam Seepage & Inadequate Spillway. Hydroplus, Inc., Arlington, Va.
Kumar S, Ahmad Z and Mansoor T, 2011. A new approach to improve the discharging capacity of sharp crested triangular plan form weirs. Flow Measurement and Instrumentation 22:175–180.
Mohamed K and Oliver B, 2005. Development of a discharge equation for side weirs using artificial neural networks. Journal of Hydroinformatics 7(1): 31–39.
Parsaie A and Haghiabi AH, 2014. Assessment of some famous empirical equation and artificial intelligent model (MLP, ANFIS) to predicting the side weir discharge coefficient. Applied Research in Water and Wastewater 2: 75-79. Parsaie A, Yonesi HA and Najafian SH, 2015. Predictive modeling of discharge in compound open channel by support vector machine technique. Modelling Earth Systems and Environment. 1:1. doi: 10.1007/s40808-015-0002-9.
Roushangar K and Koosheh A, 2015. Evaluation of GA-SVR method for modeling bed load transport in gravel-bed rivers. Journal of Hydrology 527: 1142-1152.
Roushangar K, Akhgar S, Salmasi F and Shiri J, 2014. Modeling energy dissipation over stepped spillways using machine learning approaches. Journal of Hydrology 508: 254–265.
Seamons TR, 2014. Labyrinth Weir: A look into geometric variation and its effect on efficiency and design method predictions. M.Sc. thesis, Utah State University, Logan, UT.
Taylor G, 1968. The performance of labyrinth weirs. Ph.D. thesis, University of Nottingham, Nottingham, England.
Vapnik VN, 1995.The Nature of Statistical Learning Theory. Springer, New York.
Vapnik, V N, 1998. Statistical Learning Theory. Wiley, New York, pages 768.
| ||
آمار تعداد مشاهده مقاله: 1,483 تعداد دریافت فایل اصل مقاله: 2,363 |