Modeling of Side Weir Discharge Coefficient on Converging Channel using the Hybrid Model ANFIS-Firefly Algorithm

Authors

1 water eng. Dept., Bu-Ali Sina university

2 Assist. Prof., Dept. of Water Science and Eng., Bu Ali Sina Univ., Hamadan, Iran

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

Abstract

In this study, a hybrid model was developed in order to approximate the discharge coefficient of side weirs located on converging channels for first time. In other words, the ANFIS network was optimized by means of the Firefly Algorithm (FA). After that, six ANFIS and ANFIS-FA models were defined by input parameters. In addition, in this study, the Monte Carlo simulation was employed to study the modeling accuracy. Furthermore, the k-fold cross validation approach was implemented for validating the modeling results. By analyzing the modeling results, it was concluded that hybrid models are more accurate than ANFIS models. The superior model simulated the discharge coefficient values with reasonable accuracy. For example, the values of R2, MAE and RMSE for the superior model were calculated 0.003, 0.011 and 0.015, respectively. Also, about 98% of the superior model results have an error less than 12%. According to the uncertainty analysis results, the superior model had an overestimated performance. A sensitivity analysis indicated that the flow Froude number at the side weir downstream is the most effective input parameter.

Keywords


سرریزهای جانبی کاربرد بسیار وسیعی در مهندسی آب، سازه­های هیدرولیکی و مهندسی محیط زیست دارند و برای کنترل سطح جریان در سیستم­های زهکشی، جمع آوری فاضلاب و شبکه­های آبیاری مورد استفاده قرار می­گیرند. مطالعات آزمایشگاهی، تئوریک  و عددی مختلفی در ارتباط با جریان در داخل کانال­های دارای سرریزجانبی انجام گرفته است. به عنوان مثال باقری و همکاران (2014) در یک مطالعه آزمایشگاهی مشخصات هیدرولیکی سرریزهای جانبی مستطیلی را مورد مطالعه قرار دادند. امیراقلو و همکاران (2017) تاثیر گردابه­ها در دهانه سرریزهای جانبی کنگره­ای ذوزنقه­ای مشخصات هیدرولیکی این نوع از سازه­های انحرافی از قبیل ظرفیت آبگذری و آبشستگی را مورد مطالعه آزمایشگاهی قرار دادند. مارانزونی و همکاران (2017) در یک مطالعه آزمایشگاهی مشخصات هیدرولیکی سرریزهای جانبی

مستطیلی در داخل کانال همگرا را مورد بررسی قرار دادند. آنها نشان دادند که همگرایی کانال اصلی باعث افزایش قابل توجه کارایی سرریز جانبی می­شود.

اخیرا الگوریتم­های محاسبات نرم و هوش مصنوعی برای شبیه­سازی مسائل مختلف هیدرولیکی استفاده شده­اند. به عنوان مثال ابتهاج و همکاران (2015) با استفاده برنامه­نویسی بیان ژن مقادیر ضریب دبی سرریزهای جانبی مستطیلی واقع بر مجاری مستطیلی شبیه­سازی نمودند. آنها یک رابطه برای تخمین ضریب دبی پیشنهاد دادند. خوشبین و همکاران (2016) با استفاده از یک الگوریتم هیبریدی ضریب دبی سرریزهای جانبی مستطیلی را مدل­سازی نمودند. همچنین عظیمی و همکاران (2017) به کمک ماشین آموزش نیرومند ضریب دبی سرریزهای جانبی بر روی مجاری ذوزنقه­ای پیش­بینی نمودند. آنها با تحلیل حساسیت پارامترهای

موثر بر روی ضریب دبی را شناسایی کردند. همچنین آنها یک ماتریس برای محاسبه ضریب دبی سرریزهای جانبی مستطیلی بر روی کانال ذوزنقه­ای شکل ارائه نمودند. عظیمی و همکاران (a2019) مقادیر ضریب دبی سرریزهای جانبی واقع بر کانال­های ذوزنقه­ی برای شرایط جریان زیر­بحرانی را توسط مدل ماشین بردار پشتیبان تخمین زدند. آنها نشان دادند که عدد فرود موثرترین پارامتر ورودی جهت مدل­سازی ضریب دبی بود. علاوه بر این زارعی و همکاران (2020) ضریب دبی سرریزهای جانبی واقع بر کانال­های همگرا را توسط ماشین آموزش نیرومند پیش­بینی نمودند. آنها شش مدل ماشین آموزش نیرومند تعریف کردند و با اجرای یک تحلیل حساسیت، مدل برتر و مهمترین پارامتر ورودی را معرفی کردند.

با بررسی مطالعات گذشتگان مشاهده می­شود که مدل­سازی ضریب دبی سرریزهای جانبی واقع بر مجاری همگرا تاکنون توسط مدل­های هیبریدی انجام نشده است. در این مطالعه برای اولین بار یک مدل فرا ابتکاری برای تخمین ضریب دبی سرریزهای جانبی واقع بر کانال­های همگرا توسعه داده می­شود. برای این منظور شبکه ANFIS توسط الگوریتم کرم شب؜تاب بهینه سازی می­شود. سپس با توجه به پارامترهای ورودی، 6 مدل متمایز معرفی شده و با تجزیه وتحلیل نتایج مدل­سازی، مدل برتر و موثرترین پارامتر معرفی می­شود.

Azimi H, Bonakdari H and Ebtehaj I, 2017. 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, Bonakdari H, Ebtehaj I and Michelson DG, 2018. A combined adaptive neuro-fuzzy inference system–firefly algorithm model for predicting the roller length of a hydraulic jump on a rough channel bed. Neural Computing and Applications, 29(6): 249-258.
Azimi H, Bonakdari H, Ebtehaj I, Shabanlou S, Talesh SHA and Jamali A, 2019a. A Pareto design of evolutionary hybrid optimization of ANFIS model in prediction abutment scour depth. Sādhanā 44(7): 1-14.
Azimi H, Bonakdari H and Ebtehaj I, 2019b. 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): 1-12.
Bagheri S, Kabiri-Samani AR and Heidarpour M, 2014. Discharge coefficient of rectangular sharp-crested side weirs Part II: Domínguez's method. Flow Measurement and Instrumentation 35: 116-121.
Buragohain M and Mahanta C, 2008. A novel approach for ANFIS modelling based on full factorial design. Applied Soft Computing 8: 609-625.
Ebtehaj I, Bonakdari H and Sharifi A, 2014. Design criteria for sediment transport in sewers based on self-cleansing concept. Journal of Zhejiang University Science A. 15(11): 914-924.
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.
Emiroglu ME, Gogus M, Tunc M and Islamoglu K, 2017. Effects of antivortex structures installed on trapezoidal labyrinth side weirs on discharge capacity and scouring. Journal of Irrigation and Drainage Engineering 143(6): 04017006-04017013.
Gharib R, Heydari M, Kardar S and Shabanlou S, 2020. Simulation of discharge coefficient of side weirs placed on convergent canals using modern self-adaptive extreme learning machine. Applied Water Science 10(1): 1-11.
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.
Naderloo L, Alimardani R, Omid M, Sarmadian F, Javadikia P, Torabi MY and Alimardani F, 2012. Application of ANFIS to predict crop yield based on different energy inputs. Measurement 45: 1406-1413
Maranzoni A, Pilotti M and Tomirotti M, 2017. Experimental and numerical analysis of side weir flows in a converging channel. Journal of Hydraulic Engineering 143(7): 7009-7017.
Serge G, 2001. Designing fuzzy inference systems from data: Interpretability oriented review. IEEE Transaction on Fuzzy System 9: 426-442.
Yang XS, 2010. Firefly algorithm. Pp.221-230. In: Yang XS, (ed.) Engineering Optimization, Wiley Online Library.
Zarei S, Yosefvand F and Shabanlou S, 2020. Discharge coefficient of side weirs on converging channels using extreme learning machine modeling method. Measurement 152: 107322.