پتانسیل سنجی مدل های یادگیری ماشین در شبیه سازی میزان دبی انحرافی به کانال آبگیر متاثر از آبشکن های L-شکل و T-شکل

آبشکن ها یکی از سازه های هیدرولیکی مهم در مهندسی رودخانه ها و مدیریت منابع آب هستند که به منظور کنترل و هدایت جریان آب و همچنین جلوگیری از فرسایش سواحل رودخانه به کار می روند. طراحی و بهینه سازی این سازه ها نیازمند درک دقیقی از رفتار هیدرولیکی و هندسی آنها تحت شرایط مختلف جریان است. در این پژوهش، کارکرد سه مدل یادگیری ماشین شامل شبکه عصبی (ANN-MLP)، مدل پشتیبان بردار ماشین (SVM) و برنامه ریزی بیان ژن (GEP) برای شبیه سازی مقدار دبی انحرافی در یک کانال در مدل فیزیکی شامل دو آبشکن L-شکل و T-شکل مورد بررسی قرار گرفت. در مجموع ۹۶ داده آزمایشگاهی به صورت ترکیبی از سه پارامتر عدد فرود (Fr)، طول نسبی آبشکن (L/B) و زاویه کانال آبگیری (α) به عنوان متغیرهای مستقل ورودی برای مدل ها مورد استفاده قرار گرفتند. ارزیابی عملکرد مدل ها با استفاده از سه سنجه RMSE، MAE و R۲ انجام گرفت. نتایج ضمن تایید پتانسیل هر سه مدل برای شبیه سازی میزان دبی انحرافی نشان داد مدل GEP با ساختار سه ژن برای هر دو نوع آبشکن از دقت بیشتری نسبت به دو مدل دیگر برخودار است به طوری که مقدار (RMSE, MAE, R۲) در گام آموزش و آزمون برای آبشکن L-شکل به ترتیب برابر با (۹۳۲۵/۰، ۹۸۷۸/۰، ۲۵۳۶/۱) و )۹۸۳۶/۰، ۴۱۰۲/۰، ۶۳۲۵/۰) و برای آبشکن T-شکل به ترتیب (۹۰۲۵/۰، ۲۵۳۴/۱، ۸۵۰۲/۱) و (۹۸۷۳/۰، ۳۳۳۷/۰، ۴۹۷۲/۰) محاسبه شدند. رتبه های دوم و سوم به ترتیب متعلق به مدلMLP ۳-۸-۱ و SVM بود.

کلیدواژه ها:

هوش مصنوعی ، دبی انحرافی ، آبشکن ، ارزیابی عملکرد