TY - JOUR ID - 5877 TI - مدل‌سازی ضریب دبی سرریز کرامپ با استفاده از روش‌های یادگیری ماشینی JO - دانش آب و خاک JA - WS LA - fa SN - 2008-5133 AU - ستاری, محمدتقی AU - سلماسی, فرزین AU - حاجی محمدی, امیر AD - 1- استادیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز AD - دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز AD - 3- کارشناس ارشد عمران آب، دانشگاه آزاد اسلامی واحد مراغه Y1 - 2017 PY - 2017 VL - 26 IS - 4.2 SP - 1 EP - 12 KW - رگرسیون بردار پشتیبان KW - سرریز کرامپ KW - ضریب دبی KW - -kنزدیک‌ترین همسایگی DO - N2 - سرریز کرامپ در طبقه ­بندی سرریزها در میان سرریزهای لبه‌ کوتاه جای می‌گیرد. طراحی این سرریز به‌گونه‌ای است که شیب بالادست آن بیشتر از شیب پایین‌دست آن بوده و موجب می‌شود که رسوبات به‌راحتی تخلیه گردند. در این تحقیق عملکرد روش­های -kنزدیک‌ترین همسایگی و رگرسیون بردار پشتیبان در مدل­سازی ضریب دبی سرریز کرامپ با استفاده از داده‌های آزمایشگاهی موردبررسی قرار گرفت. داده‌ها در 174 دسته و 9 ترکیب مختلف از پارامترهای ورودی شامل شیب بالادست (Sup )، شیب پایین‌دست (Sdo)، عدد رینولدز (Re) و نسبت عمق آب روی سرریز در بالادست به ارتفاع سرریز (h1/P) مورداستفاده قرار گرفت. در چهار مرحله به‌ترتیب 66، 70، 75 و 80 درصد داده‌های آزمایشگاهی برای آموزش و مابقی آن‌ها در هر مرحله جهت آزمون استفاده گردید. براساس یافته­ها در هر دو روش، بهترین نتیجه زمانی حاصل می‌شود که از 80 درصد داده‌ها برای آموزش و 20 درصد داده‌ها برای آزمون استفاده ‌شود. از سوئی دیگر روش نزدیک‌ترین همسایگی در مقایسه با رگرسیون بردار پشتیبان از توانمندی بیشتری در مدل‌سازی ضریب دبی سرریز کرامپ برخوردار بوده و نسبت (h1/P) تأثیر مهمی در تخمین ضریب دبی سرریز کرامپ داشته و قادر است با دقت نسبتاً بالایی ضریب دبی سرریز را مدل‌سازی نماید. همچنین نتایج نشان داد با کاربرد ترکیب ورودی شامل پارامترهای h1/P, Sup , Sdo، روش­های رگرسیون بردار پشتیبان و نزدیک‌ترین همسایگی به‌ترتیب با ضرایب همبستگی 969/0 و 987/0 بیشترین دقت را از خود نشان دادند. UR - https://water-soil.tabrizu.ac.ir/article_5877.html L1 - https://water-soil.tabrizu.ac.ir/article_5877_535457359a6d72365e04a015c5c15da8.pdf ER -