شبیه سازی ضریب دبی دریچه جانبی توسط مدل نوین ماشین آموزش نیرومند خارج از محدوده

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 124

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_WASO-32-3_001

تاریخ نمایه سازی: 24 دی 1401

چکیده مقاله:

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) شبیه سازی 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 ۱ to ORELM ۵). سپس داده های آزمایشگاهی به دو دسته آموزش (۷۰ درصد) و آزمون (۳۰ درصد) تقسیم شدند. در ادامه با انجام یک تحلیل حساسیت مدل برتر و موثرترین پارامترهای ورودی شناسایی شدند. مدل برتر (ORELM ۳) مقادیر ضریب دبی را بر حسب B/L، W/L و Fr شبیه سازی کرد. لازم به ذکر است که مدل ORELM ۳ مقادیر ضریب دبی را با دقت مناسبی پیش بینی نمود. به عنوان مثال، مقادیر ضریب همبستگی (R)، شاخص پراکندگی (SI) و ضریب بهره وری نش- ساتکیف (NSC) در وضعیت آزمون برای مدل ORELM ۳ به ترتیب مساوی با ۹۳۶/۰، ۰۴۹/۰ و ۸۵۲/۰ بدست آمدند. تجزیه و تحلیل نتایج شبیه سازی نشان داد که W/L و Fr موثرترین پارامترهای ورودی برای شبیه سازی ضریب دبی بودند. علاوه بر این نتایج تحلیل عدم قطعیت نشان داد که مدل ORELM ۳ عمکردی کمتر از واقعی داشت.

کلیدواژه ها:

ضریب دبی ، دریچه جانبی ، ماشین آموزش نیرومند خارج از محدوده ، تحلیل عدم قطعیت ، تحلیل حساسیت مشتق نسبی

نویسندگان

فرزاد حسنی

دانشجوی دکتری منابع آب، گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران

سعید شعبانلو

گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Akhbari A, Zaji AH, Azimi H and Vafaeifard M, ۲۰۱۷. ...
  • Azimi H, Bonakdari H and Ebtehaj I, ۲۰۱۹. Design of ...
  • Azimi H, Bonakdari H and Ebtehaj I, ۲۰۱۷a. Sensitivity analysis ...
  • Azimi H, Shabanlou S, Ebtehaj I, Bonakdari H and Kardar ...
  • Azimi H, Bonakdari H, Ebtehaj I and Khoshbin F, ۲۰۱۸. ...
  • Azimi H, Bonakdari H and Ebtehaj I, ۲۰۱۷c. A highly ...
  • Ebtehaj I, Bonakdari H, Zaji AH, Azimi H and Sharifi ...
  • Ebtehaj I, Bonakdari H, Khoshbin F and Azimi H, ۲۰۱۵. ...
  • Huang GB, Zhu QY and Siew CK, ۲۰۰۶. Extreme learning ...
  • Hussain A, Ahmad Z and Asawa GL, ۲۰۱۱. Flow through ...
  • Khoshbin F, Bonakdari H, Ashraf Talesh SH, Ebtehaj I, Zaji ...
  • Ojha CSP and Subbaiah D, ۱۹۹۷. Analysis of flow through ...
  • Zhang K and Luo M, ۲۰۱۵. Outlier-robust extreme learning machine ...
  • نمایش کامل مراجع