رسول دانشفراز

در پژوهش حاضر میزان ضریب دبی دریچه کشویی با استفاده از روش های داده کاوی مبتنی بر مدل های ماشین بردار پشتیبان )SVM)، برنامهریزی بیان ژن )GEP)، روش شبکه عصبی مصنوعی )ANN )و الگوریتم K نزدیکترین 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 کرنلهای چند جمله ای ) Polynomial)، خطی )Linear )و سیگموئید ) Sigmoid )دارد. شاخصهای آماری R، KGE، RMSE و %MRE برای مدل RBF-SVM در مرحله آزمون به ترتیب /96 ،0 ،0/90 0/018 و /92 1 است. در مدل KNN فاصله اندازه گیری Manhattan دقت باالتری در پیش بینی ضریبدبی نسبت به معیارهای Euclidean، Squared Euclidean و Chebychev داشت. روش ANN در مقایسه با مدلهای SVM، GEP و KNN دقت بیشتری دارد به طوری که برای این مدل 1/15=%MRE و 0/0098=RMSE است.