Azimi A, shabanlou S, yosefvand F, rajabi A, yaghoubi B. Simulation of Scour Pattern Around Cross-Vane Structures Using Outlier Robust Extreme Learning Machine. jwss 2022; 25 (4) :299-312
URL:
http://jstnar.iut.ac.ir/article-1-4107-fa.html
عظیمی امیر حسین، شعبانلو سعید، یوسفوند فریبرز، رجبی احمد، یعقوبی بهروز. شبیهسازی الگوی آبشستگی در مجاورت سرریزهای سنگی با استفاده ماشین آموزش نیرومند خارج از محدوده. علوم آب و خاک. 1400; 25 (4) :299-312
URL: http://jstnar.iut.ac.ir/article-1-4107-fa.html
گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران ، saeid.shabanlou@gmail.com
چکیده: (2230 مشاهده)
در این مطالعه، عمق حفره آبشستگی در پائین¬دست سرریزهای سنگی با شکل¬های مختلف J، I، U و W توسط یک روش نوین هوش مصنوعی تحت عنوان ماشین آموزش نیرومند خارج از محدوده (ORELM) شبیه¬سازی شد. داده¬های مشاهداتی به دو دسته آموزش (70 درصد) و تست (30 درصد) تقسیم شدند. سپس تابع فعال¬سازی بهینه برای شبیه¬سازی عمق آبشستگی در پائین¬دست سرریزهای سنگی انتخاب شد. در ادامه، با استفاده از پارامترهای ورودی که شامل نسبت طول سازه به عرض کانال (b/B)، عدد فرود تراکمی (Fd)، نسبت اختلاف عمق جریان بالادست و پائین¬دست سازه به ارتفاع سازه (Δy/hst) و فاکتور شکل سازه (φ)، یازده مدل مختلف ORELM برای تخمین عمق آبشستگی توسعه داده شدند. با انجام یک تحلیل حساسیت، مدل برتر و مؤثرترین پارامترهای ورودی شناسایی شدند. مدل برتر مقادیر آبشستگی¬ها را توسط پارامترهای بدون بعد b/B, Fd, Δy/hst شبیه¬سازی کرد. برای این مدل، مقادیر ضریب همبستگی (R)، شاخص عملکرد (VAF)و ضریب نش (NSC) برای مدل برتر در شرایط تست به¬ترتیب مساوی با 0/956، 91/378 و 0/908 بدست آمدند. همچنین، پارامترهای بدون بعد b/B, Δy/hst به¬عنوان مؤثرترین پارامترهای ورودی شناسایی شدند. همچنین، نتایج مدل برتر با مدل ماشین آموزش نیرومند نیز مقایسه شدند که مدل ORELM دقت بیشتری داشت. علاوه بر این، تحلیل عدم قطعیت نشان داد که مدل ORELM مقادیر آبشستگی¬ها را بیشتر از واقعیت تخمین زد. در ادامه، برای مدل برتر، یک تحلیل حساسیت مشتق نسبی (PDSA) اجرا گردید.
نوع مطالعه:
پژوهشي |
موضوع مقاله:
عمومی دریافت: 1399/9/17 | پذیرش: 1400/2/25 | انتشار: 1400/12/10