بررسی میزان افت انرژی جریان در سرریزهای زیگزاگی با استفاده از روش های مبتنی بر محاسبات نرم

هدف از پژوهش حاضر بررسی میزان افت انرژی نسبی (EDR) در سرریزهای کنگره ای با پلان مثلثی و ذوزنقه ای در ابعاد مختلف با استفاده از مدل ماشین بردار پشتیبان (SVM)، الگوریتم جنگل تصادفی (RF) و روش شبکه عصبی مصنوعی (ANN) است. از مجموعه داده های آزمایشگاهی ۷۰% برای مرحله آموزش و ۳۰% برای مرحله آزمون مورد استفاده قرار گرفتند. در مدل SVM، نتایج کرنل های مختلف نشان داد که کرنل تابع پایه شعاعی (RBF) نتایج بهتری در پیش بینی افت انرژی نسبی سرریز کنگره ای در مقایسه با کرنل های چندجمله ای (Polynomial)، خطی (Linear) و سیگموئید (Sigmoid) دارد. نتایج شاخص های آماری ضریب همبستگی (R)، میانگین درصد خطای نسبی (Mean RE%)، خطای جذر میانگین مربعات (RMSE) و شاخص کلینگ گوپتا (KGE) برای مدل SVM-RBF در مرحله آزمون به ترتیب ۹۰۷/۰، ۳۸/۱%، ۰۱۵۳/۰ و ۷۴۴/۰ است. در روش ANN شبکه چند لایه پرسپترون (MLP) نتایج دقیق تری در مقایسه با شبکه RBF دارد. نتایج شاخص های فوق در مرحله آزمون برای روش ANN-MLP به ترتیب ۹۶۹/۰، ۷۳/۰%، ۰۰۷/۰ و ۹۶۸/۰ است. همچنین این نتایج برای مدل RF به ترتیب ۸۷۸/۰، ۷۸/۱%، ۰۱۹۲/۰ و ۳۶۲/۰ است. بررسی نتایج نشان داد که روش ANN عملکرد مطلوبی نسبت به سایر مدل های SVM و RF دارد.

کلیدواژه ها:

سرریز زیگزاگی ، افت انرژی ، شبکه عصبی مصنوعی ، ماشین بردار پشتیبان ، الگوریتم جنگل تصادفی