آنالیز حساسیت و برآورد ضریب دبی در سرریز های نیم دایره با استفاده از روش های یادگیری ماشین

هدف: در این پژوهش، دو مدل یادگیری ماشین شامل ELM و XGBoost با رویکرد بهینه سازی بیزی و اعتبارسنجی با هدف پیش بینی ضریب دبی سرریزهای نیم دایره ای توسعه داده شدند. روش پژوهش: در پژوهش حاضر، با اتکا به مجموعه داده های متشکل از ۲۳۳ داده آزمایشگاهی از دو منبع پژوهشی، شامل پارامترهای هندسی تحت سه ارتفاع متفاوت برای سرریز (معادل ۱۵، ۲۰، ۳۰ و ۴۰ سانتی متر) و با چهار تعداد مختلف از سیکل هارمونیک و همچنین متغیرهای هیدرولیکی، به مدل سازی ضریب دبی پرداخته شده است. شش پارامترکلیدی در مدل XGBoost و دو پارامتر کلیدی در مدل ELM با استفاده از روش بیزی بهینه سازی شده است. یافته ها: نتایج نشان داد که مدل XGBoost با ضریب تعیین (R²) برابر با ۹۹/۰ در آموزش و ۹۲/۰ در آزمون عملکرد دقیق تری نسبت به مدل ELM با R² معادل ۹۱/۰ و ۸۷۹/۰ در مجموعه های مشابه داشته است. همچنین تحلیل حساسیت با بهره گیری از روش های سوبول، موریس، آنتروپی و SHAP، پارامتر HT/P یعنی نسبت هد هیدرولیکی به ارتفاع سرریز را به عنوان موثرترین ورودی در پیش بینی ضریب دبی شناسایی کرد. همچنین تمام واریانس پاسخ مدل در روش آنالیز حساسیت سوبول را می توان تنها با تغییر در این پارامتر توجیه کرد و تاثیر متقابل آن با سایر پارامترها بسیار ناچیز است. نتیجه گیری: نتایج حاصل از تمامی روش های تحلیل حساسیت بر پایایی و دقت مدل های توسعه یافته تاکید داشته و نشان می دهند که رویکرد ترکیبی یادگیری ماشین و بهینه سازی بیزی می تواند ابزاری توانمند برای مدل سازی جریان در پیش بینی ضریب دبی سرریزهای نیم دایره ای محسوب شود.

کلیدواژه ها:

ضریب دبی ، مدل یادگیری افراطی (ELM) ، الگوریتم XGBoost ، تحلیل حساسیت ، سرریز هارمونیک