مقایسه کارایی هیدرولیکی سرریزهای غیر خطی قوسی در پلان با استفاده از شبکه های عصبی GEP و SVM

سرریزهای غیرخطی ضمن دارا بودن مزیت های اقتصادی، قابلیت عبوردهی بیشتری را نسبت به سرریزهای خطی دارند. این سرریزها با افزایش طول تاج در یک عرض مشخص، در مقایسه با سرریزهای خطی راندمان دبی بیشتر با ارتفاع آزاد کمتر را در بالادست دارند. الگوریتم های هوشمند به دلیل توانایی زیاد در کشف رابطه های دقیق پیچیده مخفی بین پارامترهای مستقل موثر و پارامتر وابسته و همچنین صرفه جویی مالی و زمانی، جایگاه بسیار ارزشمندی بین پژوهشگران پیدا کرده اند. در این پژوهش عملکرد الگوریتم های ماشین بردار پشتیبان  (SVM) و برنامه ریزی بیان ژن (GEP) در پیش بینی ضریب دبی سرریزهای غیرخطی قوسی به کمک ۲۴۳ سری داده آزمایشگاهی برای سناریو اول و ۲۴۷ سری داده آزمایشگاهی برای سناریو دوم بررسی شده است. پارامترهای هندسی و هیدرولیکی استفاده شده شامل بار آبی (HTp )، ارتفاع سرریز (P)، نسبت بار آبی کل  ، زاویه سیکل قوسی (Ɵ)، زاویه دیواره سیکل(α)  و ضریب دبی (Cd) است. نتایج هوش مصنوعی نشان داد که ترکیب پارامترهای (HTp ،α ،Ɵ و Cd) به ترتیب در الگوریتم های GEP و SVM در مرحله آموزش مربوط به سناریو اول (سرریز کنگره ای با زاویه دیواره سیکل ۶ درجه) به ترتیب برابر است با  (۰/۹۸۱۱=R۲)، (RMSE=۰/۰۲۱۲۰)،  (DC=۰/۹۸۰۷)، (R۲=۰/۹۸۹۶)، (RMSE=۰/۰۱۸۹)،  (DC=۰/۹۸۷۱).  (در سناریو دوم (سرریز کنگره ای با زاویه دیواره سیکل ۱۲ درجه) به ترتیب برابراست با (۰/۹۷۷۰=R۲)، (RMSE=۰/۰۱۹۳)، (DC=۰/۹۷۶۸) و (۹۹۰۸/۰=R۲)،  (RMSE=۰/۰۱۲۸)،  (DC=۰/۹۹۰۵) که در مقایسه با دیگر ترکیب ها منجر به بهینه ترین خروجی شده است که نشان دهنده دقت بسیار مطلوب هر دو الگوریتم 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 GEP و هم در SVM پارامتر نسبت بار آبی کل (HTp ) است. مقایسه نتایج این پژوهش با سایر پژوهشگران نشان می دهد که شاخصه های ارزیابی برای الگوریتم های GEP و SVM پژوهش حاضر نسبت به سایر پژوهشگران برآورد بهتری دارند.

کلیدواژه ها:

Neural networks ، Non-linear weirs ، Discharge coefficient ، Support vector machine ، Genetic expression tool ، شبکه های عصبی ، سرریز غیرخطی ، ضریب دبی ، ماشین بردار پشتیبان ، برنامه ریزی بیان ژن