مدل‌سازی ضریب دبی سرریز کرامپ با استفاده از روش‌های یادگیری ماشینی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 1- استادیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز

2 دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز

3 3- کارشناس ارشد عمران آب، دانشگاه آزاد اسلامی واحد مراغه

چکیده

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.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Modeling Crump Weir Discharge Coefficient Using Machine Learning Methods

نویسندگان [English]

  • MT Sattari 1
  • F Salmasi2 2
  • A Hajimohammadi 3
چکیده [English]

Crump weir is classified as a short-edged weir. The upstream slope of this weir is greater than its downstream slope, which allows easy discharging of the sediments. In this research, the performance of k-nearest neighborhood and support vector regression (SVR) methods were investigated for modelling crump weir discharge coefficient using experimental data. 174 data sets in 9 combinations of the input parameters including the upstream and downstream slopes (Sup < /sub>, Sdo), Reynolds number (Re) and water head in upstream to weir height ratio (h1/P) were used for modelling the discharge coefficient. The training was done in four stages using 66, 70, 75 and 80 percent of experimental data and the rest of these data at each stage were applied for the test phase. According to the results, the highest accuracy for the both applied models was obtained using 80% of the data in the training and the rest 20% in the test phases. Also, this investigation showed that the nearest neighborhood method presented a more accurate result than SVR method. Furthermore, water head in upstream to weir head height ratio (h1/P) had a significant role in modeling crump weir discharge coefficient. This ratio was the only parameter which could be used for predicting the coefficient accurately. Finally, this work showed that input combination including h1/P, Sup < /sub>, Sdo parameters gave the best outcome. Both the Nearest Neighborhood and Support Vector Regression methods with coefficient of determination values of0.987 and 0.969 respectively, provided accurate predictions.

کلیدواژه‌ها [English]

  • Crump weir
  • Discharge coefficient
  • K-nearest neighborhood
  • Support Vector Regression

مراجع

شکری ن، فرهودی ج و گودرزی ا، 1387.  تأثیر شیب وجه پایین­دست و بالادست سرریز مستطیلی لبه‌پهن بر شرایط جریان. نشریه   دانشکده فنی دانشگاه تبریز، دوره 37. شماره 3 (پیاپی 55)،صفحه­های 9 تا 19.
شهرابی ج و ذوالقدر شجاعی ع، 1390. داده‌کاوی پیشرفته (مفاهیم و الگوریتم‌ها)، انتشارات جهاد دانشگاهی واحد صنعتی امیرکبیر، صفحه­های 457 تا429.
عباسپور ا، عبداله پور م و سلماسی ف، 1392.  شبیه‌سازی عددی جریان روی سرریز لبه‌پهن مستطیلی با وجوه شیب‌دار بالادست و پایین‌دست با مدل فلوئنت. نشریه دانش آب‌وخاک، جلد 23، شماره 4، صفحه‌های 265 تا 276.
عزمی م و عراقی‌نژاد ش، 1392. توسعه روش رگرسیون- Kنزدیک‌ترین همسایگی در پیش‌بینی جریان رودخانه. آب و فاضلاب، دوره 23، شماره 2 (مسلسل 82)، صفحه‌های 107 تا 118.
فدائی کرمانی ا، بارانی غ و قائینی حصاروئیه م، 1391. پیش­بینی خطر وقوع جریان‌های گردابی در آبگیر قائم با استفاده از مدل نزدیک‌ترین همسایگیK. فصل‌نامه علمی پژوهشی مهندسی آبیاری و آب، سال 3، شماره 10، صفحه‌های 92 تا 100.
ترکمان غ، 1392. ارزیابی عملکرد روش­های ANFIS و مدل M5در مدل‌سازی ضریب دبی در سرریز کرامپ. پایان­نامه کارشناسی ارشد، دانشگاه آزاد اسلامی واحد اهر.
حاجی‌پور قع، 1388. بررسی مشخصه‌های جریان در سرریز کرامپ با مدل فیزیکی و CFD. پایان‌نامه کارشناسی ارشد، گرایش سازه­های آبی، دانشکده کشاورزی دانشگاه تبریز.
حبیبی م و خسروجردی ا، 1387. بررسی ضریب آب‌گذری سرریز کرامپ و مقایسه آن با سرریز اوجی با استفاده از نرم‌افزار FLUENT. 10 صفحه. سومین کنفرانس مدیریت منابع آب، 23 تا 25 مهرماه، دانشگاه تبریز، تبریز.
Brandsma T and Onnen GPK, 2006. Application of nearest neighbor re-sampling for homogenizing temperature records on a daily to sub daily level. International Journal of Climatology 26(1): 75–89.
Christopher J and Burges D, 1998. A tutorial on support vector machines for pattern recognition. Data Mining and Knowledge Discovery 2(2): 121 – 167.
Haun S, Reidar BN, Feurich O and Feurich R, 2011. Numerical modeling of flow over trapezoidal broad crested weir. Engineering Application of Computational Fluid Mechanics 5(3): 327-405.
Sargison JE and Percy A, 2009. Hydraulics of broad-crested weirs with varying side slopes. Journal of Irrigation and Drainage Engineering, ASCE 135(1): 115-118.
Witten IH, Eibe F and Mark H, 2011. Data Mining: Practical Machine Learning Tools and Techniques. San Francisco, Morgan Kaufmann 629p.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار