| چکیده
|
سرریزهای غیرخطی ضمن برخوردار بودن از مزیت های اقتصادی، قابلیت عبوردهی بیشتری را نسبت به سرریزهای خطی دارند. این سرریزها از طریق افزایش طول تاج در یک عرض مشخص، در مقایسه با سرریزهای خطی راندمان دبی بیشتر با ارتفاع آزاد کمتر در بالادست را دارند. الگوریتم های هوشمند به دلیل توانایی زیاد در کشف رابطه های دقیق پیچیده ی مخفی بین پارامترهای مستقل موثر و پارامتر وابسته و همچنین صرفه جویی مالی و زمانی، جایگاه بسیار ارزشمندی بین پژوهشگران پیدا کرده اند. در این پژوهش عملکرد الگوریتم های پشتیبان بردار ماشین (SVM) و برنامه ریزی بیان ژن (GEP) در پیش بینی ضریب دبی سرریزهای غیرخطی قوسی به کمک 243 سری داده ی آزمایشگاهی برای سناریو اول و 247 سری داده آزمایشگاهی برای سناریو دوم بررسی شده است. پارامترهای هندسی و هیدرولیکی مورد استفاده در این پژوهش شامل بار آبی 〖(H〗_T)، ارتفاع سرریز (P)، نسبت بار آبی کل(H_T/p) ، زاویه سیکل قوسی (Ɵ)، زاویه دیواره سیکل(α) و ضریب دبی (Cd) می باشد. نتایج هوش مصنوعی نشان داد که ترکیب پارامترهای(Cd, H_T/p, α, Ɵ) به ترتیب در الگوریتم های GEP و SVM در مرحله ی آموزش مربوط به سناریو اول (سرریز کنگره ای با زاویه ی دیواره ی سیکل 6 درجه) به ترتیب برابراست با (9811/0=(R2، (02120/0=(RMSE، (9807/0=(DC و (9896/0=(R2، (0189/0=(RMSE، (9871/0=(DC می باشد و در سناریو دوم (سرریز کنگره ای با زاویه ی دیواره ی سیکل 12 درجه) به ترتیب برابراست با (9770/0=(R2، (0193/0=(RMSE، (9768/0=(DC و (9908/0=(R2، (0128/0=(RMSE، (9905/0=(DC می باشد که در مقایسه با دیگر ترکیب ها منجر به بهینه ترین خروجی شده است که نشان دهنده دقت بسیار مطلوب هر دو الگوریتم در پیش بینی ضریب دبی سرریز غیرخطی قوسی است. نتایج آنالیز حساسیت نشان داد که پارامتر موثر در تعیین ضریب دبی سرریز غیرخطی قوسی در GEP و هم در SVM پارامتر نسبت بار آبی کل (H_T/p) می باشد. مقایسه نتایج این تحقیق با سایر محققین نشان می دهد که شاخصه های ارزیابی برای الگوریتم های GEP و SVM تحقیق حاضر نسبت به سایر محققین برآورد بهتری دارند.
|