استفاده از شبکه های عصبی در تعیین ضریب دبی سرریز غیرخطی قوسی

یکی از سازههای متداول در بسیاری از سدها و کانالهای انتقال آب، سرریزها می باشند. سرریزها همواره یکی از اجزای مهم شبکه های انتقال و توزیع آب محسوب می شوند که با وجود ساده بودن ساختار و عملکرد آن، نقش مهمی در این شبکه ها ایفا می کنند و همچنین برای عبور آب های اضافی از بالادست به پایین دست در سدها از سازه ای به نام سرریز استفاده می شود. الگوریتم های هوشمند به دلیل توانایی زیاد در کشف رابطه های دقیق پیچیده ی مخفی بین پارامترهای مستقل موثر و پارامتر وابسته و همچنین صرفه جویی مالی و زمانی ، جایگاه بسیار ارزشمندی بین پژوهشگران پیدا کردهاند. در این پژوهش عملکرد الگوریتم SVM و QNET در پیش بینی ضریب دبی سرریز غیرخطی قوسی به کمک ۲۴۳ سری داده ی آزمایشگاهی بررسی شده است . پارامترهای هندسی و هیدرولیکی مورد استفاده در این پژوهش شامل بار آبی (HT)، ارتفاع سرریز (P)، نسبت بار آبی کل pT) )، زاویه سیکل قوسی ( )، زاویه دیواره سیکل (α) و ضریب دبی (Cd) می باشد. نتایج هوش مصنوعی نشان داد که ترکیب پارامترهای ( (Cd, pT, α, در الگوریتم SVM در مرحله ی آموزش و آزمون به ترتیب برابراست با (۹۹۰۷/۰(R۲=، (۰۱۸۳/۰(RMSE=، (۹۸۷۱/۰(DC= و (۹۹۱۴/۰(R۲=، (۰۲۰۶/۰(RMSE=، (۹۸۴۸/۰(DC= و در الگوریتم QNET در مرحله آموزش و آزمون به ترتیب برابر (۹۸۷۶/۰(R۲=، (۰۲۱۵/۰(RMSE=، (۹۸۷۸/۰(DC= و (۹۶۳۷/۰(R۲=، (۰۷۳۶/۰(RMSE=، (۸۹۶۷/۰(DC= می باشند که در مقایسه با دیگر ترکیب ها منجر به بهینه ترین خروجی شده است که نشان دهنده دقت بسیار مطلوب الگوریتم های SVM و QNET در پیش بینی ضریب دبی سرریز غیرخطی قوسی است . نتایج آنالیز حساسیت نشان داد که پارامتر موثر در تعیین ضریب دبی سرریز غیرخطی قوسی در SVM و QNET پارامتر نسبت بار آبی کل ( (HT/p می باشد.

کلیدواژه ها:

سرریز غیرخطی ، ضریب دبی ، آنالیز حساسیت ، شبکه های عصبی