عملکرد روش های ماشین بردار پشتیبان، جنگل تصادفی و GMDH در پیش بینی دبی جریان از دریچه های فلپ مستطیل شکل

نصب و ایجاد سازه های مناسب اندازه گیری جریان، بهره برداری صحیح از آنها و جمع آوری اطلاعات مربوط به مصرف آب، نقشی اساسی در قدرت تصمیم گیری برای مدیران شبکه، عدالت در توزیع و انتقال آب و در نهایت صرفه جویی در مصرف آب دارد. یکی از تجهیزات ساده و ارزان برای کنترل خودکار و همچنین اندازه گیری جریان، دریچه های فلپ یا آویخته است. در این پژوهش از نتایج آزمایشگاهی به دست آمده از سازه دریچه ی مستطیلی لولای شکل که با قرار دادن در کانال مطابق با مشخصات هیدرولیکی و هندسی منجر به اندازه گیری دبی جریان میشود، جهت توسعه مدل های یادگیری ماشین مورد استفاده قرار گرفت. به منظور برآورد دبی جریان در این نوع از کانال ها از مدل های شامل دسته بندی گروهی داده ها (GMDH)، ماشین بردار پشتیبان (SVM) و جنگل تصادفی (RF) استفاده گردید. بدین جهت از پارامترهای نظیر عمق آب، عرض کانال همچنین عرض، طول، ضخامت و وزن دریچه به عنوان متغیرهای ورودی و دبی جریان به عنوان متغیر خروجی (پاسخ) به مدلسازی در نظر گرفته شد. نتایج نشان داد که مقدار آماره ریشه میانگین مربعات خطا (RMSE) برای مدل های مبتنی بر GMDH، SVM و RF به ترتیب، ۰۲۴/۰، ۰۱۱/۰ و ۰۴۱/۰ و مقدار آماره ضریب تعیین (R۲) به ترتیب، ۹۸۱/۰، ۹۹۶/۰ و ۹۵۵/۰ به دست آمد. مقایسه بین تحقیقات گذشته و نتایج حاضر حاکی از برتری عملکرد مدل مبتنی بر SVM نسبت به سایر مدل های توسعه یافته بود. عمق آب به عرض کانال به عنوان مهم ترین داده ورودی مدل ها توسعه یافته شناسایی شد.

کلیدواژه ها:

دریچه آویزان ، کنترل خودکار ، شبکه های آبیاری ، محاسبات نرم ، اندازه گیری دبی