تعداد نشریات | 50 |
تعداد شمارهها | 2,232 |
تعداد مقالات | 20,475 |
تعداد مشاهده مقاله | 25,228,381 |
تعداد دریافت فایل اصل مقاله | 22,860,162 |
پیشبینی عمق آبشستگی در مجاورت سرریزهای سنگی با استفاده از ساختار تعمیمیافته روش گروه دستهبندی دادهها | ||
حفاظت منابع آب و خاک (علمی - پژوهشی) | ||
دوره 11، شماره 1 - شماره پیاپی 40، آبان 1400، صفحه 13-28 اصل مقاله (1.42 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.30495/wsrcj.2021.18542 | ||
نویسندگان | ||
ابراهیم شهبازبیگی1؛ فریبرز یوسفوند 2؛ بهروز یعقوبی 2؛ سعید شعبانلو 3؛ احمد رجبی 2 | ||
1دانشجوی دکتری منابع آب، گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران. | ||
2استادیار گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران. | ||
3دانشیار گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران. | ||
چکیده | ||
در این مطالعه، الگوی آبشستگی در مجاورت سرریزهای سنگی با شکلهای I، U و J درون کانالهای خم توسط یک روش هوش مصنوعی نوین تحت عنوان ساختار تعمیمیافته روش گروه دستهبندی دادهها(GSGMDH) شبیهسازی شد. در مقایسه با روش(GMDH) گروه دستهبندی دادهها روش GSGMDH یک روش منعطفتر و دقیقتر است که در آن گرهها می-توانند از لایههای غیرهمجوار ورودی بگیرند. در ابتدا، کلیه پارامترهای موثر بر روی عمق آبشستگی در مجاورت سرریزهای سنگی شناسایی گردید و سپس با استفاده از این پارامترها، برای هر یک از روشهای GMDH و GSGMDH شش مدل مختلف تعریف گردید. با تجزیه و تحلیل نتایج مدلهای هوش مصنوعی مدل-های برتر معرفی گردید. مدلهای برتر GMDH و GSGMDH مقادیر آبشستگیها را بر حسب کلیه پارامترهای ورودی تخمین زدند. علاوه بر این، دقت مدلهای GSGMDH از مدلهای GMDH بیشتر بود. بهعنوان مثال، برای مدلهای برتر GMDH و GSGMDH مقدار شاخص عملکرد در وضعیت تست بهترتیب مساوی با 075/73 و 408/86 محاسبه شدند. همچنین، مدل برتر مقادیر تابع هدف را با دقت خوبی پیشبینی نمود. بهعنوان مثال، مقادیر ضریب همبستگی (R)، شاخص پراکندگی(SI) و ضریب نش (NSC) برای مدل برتر GSGMDH در شرایط آموزش بهترتیب مساوی با 913/0، 214/0 و 800/0 تخمین زده شدند. با توجه به نتایج تحلیل حساسیت، پارامترهای پارامترهای ضریب شکل سرریزهای سنگی (φ)، نسبت اختلاف عمق جریان در بالادست و پائیندست تله سنگی برابر به ارتفاع سازه (y/hstΔ) و عدد فرود تراکمی (Fd) بهعنوان موثرترین پارامترهای ورودی معرفی گردیدند. تحلیل عدم قطعیت نشان داد که مدل GSGMDH برتر دارای یک عملکرد کمتر از واقعی بود. | ||
کلیدواژهها | ||
سرریز سنگی؛ آبشستگی؛ روش دستهبندی گروهی دادهها؛ تحلیل عدم قطعیت؛ تحلیل حساسیت مشتق نسبی | ||
مراجع | ||
Azimi, H., Bonakdari, H. and Ebtehaj, I. 2019. Gene expression programming-based approach for predicting the roller length of a hydraulic jump on a rough bed. ISH Journal of Hydraulic Engineering, 1-11. | ||
آمار تعداد مشاهده مقاله: 239 تعداد دریافت فایل اصل مقاله: 145 |