رسول دانشفراز

در پژوهش حاضر میزان ضریب‌دبی دریچه کشویی با استفاده از روش‌های داده کاوی مبتنی بر مدل‌های ماشین‌بردار پشتیبان (SVM)، برنامه‌ریزی بیان ژن (GEP)، روش شبکه عصبی مصنوعی (ANN) و الگوریتم K نزدیک‌ترین همسایه (KNN) برای نخستین رابطه تئوری ارائه شده برای دریچه‌های کشویی در حالت آستانه غیرهم‌عرض، مورد ارزیابی قرار گرفت، تا عملکرد آن با استفاده از روش‌های محاسبات نرم سنجیده شود. برای مدل SVM، کرنل تابع پایه شعاعی (RBF) نتایج بهتری در مقایسه با کرنل‌های چند جمله‌ای (Polynomial)، خطی (Linear) و سیگموئید (Sigmoid) دارد. شاخص‌های آماری R، KGE، RMSE و MRE% برای مدل SVM-RBF در مرحله آزمون به‌ترتیب 96/0، 90/0، 018/0 و 92/1 است. در مدل KNN فاصله اندازه‌گیری Manhattan دقت بالاتری در پیش‌بینی ضریب‌دبی نسبت به معیارهای Euclidean، Euclidean Squared و Chebychev داشت. روش ANN در مقایسه با مدل‌های SVM، GEP و KNN دقت بیشتری دارد به‌طوری‌که برای این مدل 15/1=MRE% و 0098/0=RMSE است.