کاربرد مدل های هوش مبتنی بر محاسبات نرم در بررسی میزان ضریب تخلیه دریچه کشویی در حالت جریان آزاد و آستانه متقارن به کمک مدل های KNN، ANN، GEP و SVM

در پژوهش حاضر میزان ضریب دبی دریچه کشویی با استفاده از روش های داده کاوی مبتنی بر مدل های ماشین بردار پشتیبان (SVM)، برنامه ریزی بیان ژن (GEP)، روش شبکه عصبی مصنوعی (ANN) و الگوریتم K نزدیک ترین همسایه (KNN) برای نخستین رابطه تئوری ارائه شده برای دریچه های کشویی در حالت آستانه غیرهم عرض، مورد ارزیابی قرار گرفت، تا عملکرد آن با استفاده از روش های محاسبات نرم سنجیده شود. برای مدل SVM، کرنل تابع پایه شعاعی (RBF) نتایج بهتری در مقایسه با کرنل های چند جمله ای (Polynomial)، خطی (Linear) و سیگموئید (Sigmoid) دارد. شاخص های آماری R، KGE، RMSE و MRE% برای مدل SVM-RBF در مرحله آزمون به ترتیب ۹۶/۰، ۹۰/۰، ۰۱۸/۰ و ۹۲/۱ است. در مدل KNN فاصله اندازه گیری Manhattan دقت بالاتری در پیش بینی ضریب دبی نسبت به معیارهای Euclidean، Euclidean Squared و Chebychev داشت. روش ANN در مقایسه با مدل های SVM، GEP و KNN دقت بیشتری دارد به طوری که برای این مدل ۱۵/۱=MRE% و ۰۰۹۸/۰=RMSE است.

کلیدواژه ها:

اندازه گیری دبی ، ضریب دبی ، سازه کنترل ، مدل های هوشمند ، شاخص های آماری