Simulation of Discharge Coefficient of Side Slots Using a Novel Outlier Robust Extreme Learning Machine

Authors

1 Ph.D. Candidate, Dept. of Water Eng., Kermanshah Branch, Islamic Azad Univ., Kermanshah, Iran.

2 Assoc. Prof., Dept. of Water Eng., Kermanshah Branch, Islamic Azad Univ., Kermanshah, Iran.

Abstract

In this paper, the discharge coefficient of side slots is simulated for the first time by a modern artificial intelligence technique entitled "Outlier Robust Extreme Learning Machine (ORELM)". To this end, initially, the parameters influencing the discharge coefficient including the ratio of the main channel width to the side slot length (B/L), the ratio of the side slot crest height to the side slot length (W/L), the ratio of the flow depth to the side slot length (Ym/L) and the Froude number (Fr) are detected and five ORELM models (ORELM1 to ORELM5) are developed using these parameters. After that, experimental data are classified into two groups including training (70 percent) and testing (30 percent). Then, the superior model and also the most influencing input parameters are introduced through the conduction of a sensitivity analysis. The superior model (ORELM3) simulates discharge coefficient values in terms of B/L, W/L and Fr. It should be noted that the ORELM3 model forecasts discharge coefficient values with reasonable accuracy. For example, the correlation coefficient (R), the scatter index (SI) and the Nash–Sutcliffe efficiency (NSC) index for the ORELM3 model are obtained in the testing mode to be 0.936, 0.049 and 0.852, respectively. Analyzing the simulation results indicated that W/L and Fr are the most effective input parameters for modeling the discharge coefficient. Furthermore, the results of the uncertainty analysis exhibited that the ORELM3 model has an underestimated performance.

Keywords

Full Text

مقدمه

به طور کلی دریچه جانبی به شکل یک شکاف بر روی دیواره کانال؜های اصلی برای هدایت و کنترل آب؜های زائد در داخل شبکه­های زهکشی و کانال­های آبیاری نصب می؜شوند. برای افزایش راندمان یک دریچه جانبی، شناسایی پارامترهای تاثیرگذار بر روی مقدار آبگذری از اهمیت بسزایی برخوردار است. لازم به ذکر است که ضریب دبی مهمترین پارامتر برای طراحی بهینه یک دریچه جانبی است. این ضریب دبی تابع پارامترهای هیدرولیکی و هندسی مختلفی است که تعیین میزان اهمیت هر کدام از این پارامترها نقش بسیار کلیدی در طراحی بهینه این نوع از سازه؜های انحراف جریان ایفا خواهد کرد. به دلیل اهمیت بالای دریچه جانبی مطالعات بسیاری بر روی هیدرولیک جریان عبوری از داخل دریچه جانبی و ضریب دبی آنها انجام گرفته است. در سال؜های اخیر، استفاده از مدل؜های هوش مصنوعی و تکنیک؜های محاسبات نرم مختلف به دلیل توانایی بالا در مدل؜سازی پدیده؜های پیچیده و غیرخطی به شکل قابل توجهی افزایش یافته است. این مدل؜ها سرعت بالایی در شبیه؜سازی پدیده؜های مختلف دارند و از انعطاف‌پذیری مناسبی نیز برخوردار هستند. به؜دلیل این مزایا، مطالعات مختلفی برای شبیه؜سازی ضریب دبی سرریزهای جانبی، روزنه؜های جانبی و دریچه جانبی توسط مدل؜های هوش مصنوعی ارائه شده است. به؜عنوان مثال، ابتهاج و همکاران (2015) با استفاده از مدل تکاملی GEP ضریب دبی سرریزهای قرار گرفته بر روی مجاری مستطیلی را شبیه؜سازی نمودند. آنها با تجزیه و تحلیل نتایج شبیه؜سازی؜ها یک رابطه برای تخمین ضریب دبی ارائه کردند. علاوه بر این، ابتهاج و همکاران (2015)

ضریب دبی روزنه­های جانبی مستطیلی را توسط مدل GMDH پیش؜بینی کردند. آنها با اجرای یک تحلیل حساسیت مدل برتر و پارامتر تأثیرگذار بر روی ضریب دبی را معرفی کردند. خوشبین و همکاران (2016) یک مدل هیبریدی را برای محاسبه ضریب دبی سرریزهای جانبی مستطیلی توسعه دادند. آنها مدل­های انفیس، الگوریتم ژنتیک (GA) و تجزیه بردار منفرد (SVM) را برای شبیه؜سازی ضریب دبی ترکیب نمودند. عظیمی و همکاران (b2017) ضریب دبی روزنه؜های جانبی مستطیلی توسط یک مدل دینامیک سیالات محاسباتی و یک مدل هیبریدی هوش مصنوعی تخمین زدند. ایشان نشان دادند که مدل هوش مصنوعی دقت بیشتری برای مدل؜سازی ضریب دبی داشت. اخباری و همکاران (2017) با استفاده از یک مدل شبکه عصبی مصنوعی و مدل M5 ضریب دبی سرریزهای مثلثی را شبیه­سازی کردند. آنها روابطی را برای تخمین ضریب دبی پیشنهاد دادند. همچنین عظیمی و همکاران (2019) ضریب دبی سرریزهای مستطیلی واقع بر مجاری ذوزنقه؜ی را توسط مدل ماشین بردار پشتیبان (SVM) پیش؜بینی کردند. آنها با اجرای یک تحلیل حساسیت مدل برتر و پارامتر مؤثر را معرفی کردند و برای تخمین ضریب دبی یک ماتریس پیشنهاد نمودند.

مرور مطالعات گذشته نشان می؜دهد که ضریب دبی سازه؜های انحرافی از قبیل سرریزهای جانبی، روزنه؜های جانبی و دریچه جانبی از اهمیت بالای برخوردار است و ضریب دبی مهمترین پارامتر برای ارائه یک طرح بهینه و مناسب است. علاوه بر این، تکنیک؜های متنوع هوش مصنوعی به شکل گسترده؜ای برای شبیه؜سازی ضریب دبی این نوع از سازه های انحراف جریان به­کار گرفته شده؜اند. بنابراین با توجه به مطالب ارائه شده، در این مطالعه برای اولین بار ضریب دبی دریچه جانبی توسط یک مدل نوین هوش مصنوعی تحت عنوان ماشین آموزش نیرومند خارج از محدوده (ORELM) شبیه؜سازی شد. هدف اصلی در این مطالعه، معرفی مدل برتر (ترکیبی از مهمترین پارامترهای ورودی) و مؤثرترین پارامتر ورودی بود که توسط تجزیه و تحلیل نتایج مدل ORELM انجام گردید. در ابتدا با استفاده پارامترهای تأثیرگذار بر روی ضریب دبی دریچه جانبی، پنج مدل ORELM تعریف شد. سپس با انجام یک تحلیل حساسیت، مدل ORELM برتر و مؤثرترین پارامتر ورودی شناسایی گردید. علاوه بر این، یک عدم قطعیت بر روی مدل؜های ORELM اجرا شد. لازم به ذکر است که بر روی مدل ORELM برتر نیز یک تحلیل حساسیت مشتق نسبی انجام گردید.

References

Akhbari A, Zaji AH, Azimi H and Vafaeifard M, 2017. Predicting the discharge coefficient of triangular plan form weirs using radian basis function and M5’methods. Applied Research in Water and Wastewater 4(1): 281-289.
Azimi H, Bonakdari H and Ebtehaj I, 2019. Design of radial basis function-based support vector regression in predicting the discharge coefficient of a side weir in a trapezoidal channel. Applied Water Science 9: 78. https://doi.org/10.1007/s13201-019-0961-5.
Azimi H, Bonakdari H and Ebtehaj I, 2017a. Sensitivity analysis of the factors affecting the discharge capacity of side weirs in trapezoidal channels using extreme learning machines. Flow Measurement and Instrumentation 54: 216-223.
Azimi H, Shabanlou S, Ebtehaj I, Bonakdari H and Kardar S, 2017b. Combination of computational fluid dynamics, adaptive neuro-fuzzy inference system, and genetic algorithm for predicting discharge coefficient of rectangular side orifices. Irrigation and Drainage Engineering 143(7): 040170151-9.
Azimi H, Bonakdari H, Ebtehaj I and Khoshbin F, 2018. Evolutionary design of Generalized Group Method of Data Handling-type neural network for estimating hydraulic jump roller length. Acta Mechanica 229(3): 1197–1214.
Azimi H, Bonakdari H and Ebtehaj I, 2017c. A highly efficient gene expression programming model for predicting the discharge coefficient in a side weir along a trapezoidal canal. Irrigation and Drainage 66(4): 655-666.
Ebtehaj I, Bonakdari H, Zaji AH, Azimi H and Sharifi A, 2015. Gene expression programming to predict the discharge coefficient in rectangular side weirs. Applied Soft Computing 35: 618-628.
Ebtehaj I, Bonakdari H, Khoshbin F and Azimi H, 2015. Pareto genetic design of group method of data handling type neural network for prediction discharge coefficient in rectangular side orifices. Flow Measurement and Instrumentation 41: 67-74.
Huang GB, Zhu QY and Siew CK, 2006. Extreme learning machine: theory and applications. Neurocomputing 70(1-3): 489-501.
Hussain A, Ahmad Z and Asawa GL, 2011. Flow through sharp-crested rectangular side orifices under free flow condition in open channels. Agricultural Water Management 98(10): 1536-1544.
Khoshbin F, Bonakdari H, Ashraf Talesh SH, Ebtehaj I, Zaji AH and Azimi H, 2016. Adaptive neuro-fuzzy inference system multi-objective optimization using the genetic algorithm/singular value decomposition method for modelling the discharge coefficient in rectangular sharp-crested side weirs. Engineering Optimization 48(6): 933-948.
Ojha CSP and Subbaiah D, 1997. Analysis of flow through lateral slot. Journal of Irrigation and Drainage Eengineering 123(5): 402-405.
Zhang K and Luo M, 2015. Outlier-robust extreme learning machine for regression problems. Neurocomputing 151: 1519-1527.
Water and Soil Science
Volume 32, Issue 3
September 2022
Pages 1-13

Files

Share

How to cite

Statistics