شبیه سازی و تخمین دبی جریان در فلوم های SMBF به کمک مدل های محاسبات نرم

در پژوهش حاضر، دبی جریان در فلوم های حاوی نیم استوانه های جانبی (SMBF) تحت شرایط آزاد و مستغرق با استفاده از مدل های ماشین بردار پشتیان (SVM)، رگرسیون انطباقی چندمتغیره اسپلاین (MARS) و مدل شبکه عصبی مصنوعی چندلایه (MLPNN)، شبیه سازی و تخمین زده شد. در حالت جریان آزاد از پارامترهای بی بعد مستخرج از آنالیز ابعادی شامل نسبت عمق جریان در بالادست به عرض گلوگاه و نسبت انقباض (عرض گلوگاه به عرض کانال) و در حالت مستغرق علاوه بر این دو پارامتر از پارامترهای عمق پایاب به عرض گلوگاه و عمق پایاب به عمق بالادست به عنوان ورودی و از فرم بی بعد دبی جریان به عنوان خروجی مدل ها استفاده شد. نتایج نشان داد که در حالت جریان آزاد در مرحله صحت سنجی مدل MARS با شاخص های آماری ۰/۹۸۵= R۲، ۰/۰۰۸=RMSE، % ۰/۸۷=MAPE و مدل  SVM با شاخص های آماری ۰/۹۷۱=R۲، ۰/۰۰۱۲=RMSE، % ۱/۳۷۶=MAPE و مدل MLPNN با شاخص های آماری ۰/۹۷۳= R۲، ۰/۰۱۱=RMSE، % ۱/۳۰۴=MAPE دبی جریان را شبیه سازی و پیش بینی کرده اند. در حالت مستغرق شاخص های آماری مدل MARS توسعه داده شده عبارت از ۰/۹۷۸= R۲، ۰/۰۱۸=RMSE، % ۳/۶=MAPE و شاخص های آماری مدل SVM عبارت از ۰/۹۸۸= R۲، ۰/۰۱۴=RMSE، % ۴/۲=MAPE و شاخص های آماری مدل MLPNN عبارت از ۰/۹۶۶= R۲، ۰/۰۲۲=RMSE و % ۵/۷=MAPE هستند. در توسعه مدل های SVM و MLPNN به ترتیب از توابع کرنل شعاعی و تانژانت هایپربولیک استفاده شد.

کلیدواژه ها:

Artificial neural network ، SMBF flumes ، Water transfer channel ، Support vector machine ، Side half cylinders ، شبکه عصبی مصنوعی ، فلوم هایSMBF ، کانال انتقال آب ، ماشین بردار پشتیبان ، نیم استوانه های جانبی.