تعیین ضریب دبی سرریز کنگرهای با استفاده روش SVM
محل انتشار: چهارمین همایش ملی مدیریت منابع آب نواحی ساحلی
سال انتشار: 1403
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 103
فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
NCCLWRM04_028
تاریخ نمایه سازی: 8 فروردین 1404
چکیده مقاله:
سرریزها به عنوان یکی از سازه های متداول و حیاتی در بسیاری از سدها و کانال های انتقال آب، نقش اساسی در مدیریت و کنترل جریان آب ایفا می کنند. این سازه ها با طراحی ساده خود، به طور موثری در جلوگیری از خطرات ناشی از سیلاب ها و افزایش سطح آب در بالادست عمل می کنند. سرریزها به ویژه برای عبور آب های اضافی از بالادست به پایین دست در سدها طراحی شده اند و به عنوان یک عنصر کلیدی در شبکه های انتقال و توزیع آب شناخته می شوند. این سازه ها به دلیل قابلیت های منحصر به فرد خود در کنترل جریان، به مهندسان و طراحان اجازه می دهند تا به طور موثری از منابع آبی استفاده کنند و در عین حال از خسارات ناشی از سیلاب ها جلوگیری نمایند. با پیشرفت تکنولوژی و افزایش پیچیدگی های مربوط به سیستم های هیدرولیکی، استفاده از الگوریتم های هوشمند به عنوان یک رویکرد نوین در تحلیل و پیش بینی رفتار سرریزها به طور فزاینده ای مورد توجه قرار گرفته است. این الگوریتم ها، به ویژه به دلیل توانایی بالای خود در کشف روابط پیچیده و غیرخطی میان پارامترهای مستقل موثر و پارامتر وابسته، به عنوان ابزاری کارآمد در پیش بینی رفتار هیدرولیکی سرریزها شناخته می شوند. این توانایی ها نه تنها به صرفه جویی مالی و زمانی کمک می کنند، بلکه دقت پیش بینی را نیز به طور قابل توجهی افزایش می دهند. در این پژوهش، عملکرد الگوریتم ماشین بردار پشتیبان (SVM) در پیش بینی ضریب دبی سرریز غیرخطی قوسی با استفاده از ۲۴۳ سری داده آزمایشگاهی بررسی شده است. این داده ها شامل مجموعه ای از شرایط آزمایشگاهی هستند که به طور خاص برای تحلیل رفتار سرریز کنگرهای قوسی طراحی شده اند. پارامترهای هندسی و هیدرولیکی مورد استفاده در این مطالعه شامل بار آبی (HT)، ارتفاع سرریز (P)، نسبت بار آبی کل ()، زاویه سیکل قوسی (Ɵ)، زاویه دیواره سیکل (α) و ضریب دبی (Cd) می باشد. این پارامترها به عنوان عوامل کلیدی در تعیین رفتار هیدرولیکی سرریزها شناخته می شوند و تحلیل دقیق آن ها می تواند به بهبود دقت پیش بینی های مدل کمک کند. نتایج حاصل از به کارگیری الگوریتم هوش مصنوعی نشان داد که ترکیب پارامترهای (Cd, , α, Ɵ) در الگوریتم SVM در مرحله آموزش و آزمون به ترتیب به مقادیر) ۹۹۰۷/۰(R۲= و )۰۱۸۵/۰ (RMSE=در مرحله آموزش و )۹۹۱۴/۰R۲= (و) ۰۲۰۷/۰ (RMSE= در مرحله آزمون دست یافته است.
کلیدواژه ها:
نویسندگان
زهرا عبادی
دانشجوی کارشناسی ارشد، مهندسی عمران-زلزله-دانشگاه شهیدمدنی
ابراهیم اسدی
استادیار دانشگاه شهید مدنی- گروه مهندسی عمران
مهدی سلطانی
دانشجوی کارشناسی ارشد، مهندسی عمران -آب و سازه های هیدرولیکی-دانشگاه شهیدمدنی
توحید امیدپور علویان
دانشجوی دکترا، مهندسی عمران -آب و سازه های هیدرولیکی-دانشگاه مراغه