ارزیابی عملکرد مدل های مبتنی بر یادگیری ماشین در برآورد حداکثر عمق آبشستگی اطراف دماغه آبشکن نوع باندال لایک

در تحقیق حاضر عملکرد روش های مبتنی بر یادگیری ماشین به منظور پیش بینی حداکثر عمق آبشستگی اطراف آبشکن نوع باندال لایک مورد ارزیابی قرار گرفت. برای این منظور سه روش مدل جنگل های تصادفی (RF)، ماشین بردار پشتیبان (SVM) و روش برنامه ریزی بیان ژن (GEP) مورد استفاده قرار گرفت. به منظور آموزش و آزمایش مدل ها از ۱۰۸ سری اطلاعات (۸۷ سری برای آموزش و ۲۱ سری برای تست) مستخرج از نتایج یک تحقیق آزمایشگاهی استفاده شد. مدل ها با ترکیب های متفاوتی (تک متغیره، دو متغیره، سه متغیره و چهار متغیره) از ورودی ها (Fr: عدد فرود جریان، S/L: نسبت فاصله به طول آبشکن،θ: زاویه نصب آبشکن نسبت به ساحل و α:  تخلخل قسمت نفوذپذیر سازه) مورد ارزیابی قرار گرفتند. نتایج حاصل نشان داد برای تمامی روش ها در حالت ورودی تک متغیره، بیشترین و کمترین تاثیر به ترتیب مربوط به پارامترهای α و S/L بودند. در مدل SVM با افزایش تعداد ورودی ها از تک متغیره به دومتغیره میانگین شاخص MAE تقریبا ۲ برابر افزایش یافت. در مدل GEP نیز افزایش تعداد ورودی ها از سه متغیره به ۴ متغیره میانگین شاخص MAE تقریبا ۵/۳ برابر افزایش یافت. ولی در روش RF افزایش تعداد ورودی ها منجر به افزایش دقت مدل شد و متوسط شاخص MAE در حالت ۴ متغیره نسبت به سه متغیره ۸۳ درصد کاهش یافت. در نهایت مشخص شد روش RF در برآورد عمق آبشستگی اطراف آبشکن نوع باندال لایک از عملکرد بسیار بهتری (۰۰۶/۰= RMSEو ۰۰۹/۰=MAE) نسبت به سایر روش ها برخوردار بوده و این مدل با ورودی های یکسان از پراکنش خطای کمتری برخوردار بود.

کلیدواژه ها:

آبشستگی ، هوش مصنوعی ، رودخانه ، آبشکن