مدل سازی ضریب دبی سرریز کرامپ با استفاده از روش های یادگیری ماشینی
محل انتشار: فصلنامه دانش آب و خاک، دوره: 26، شماره: 4
سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 144
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_WASO-26-4_001
تاریخ نمایه سازی: 25 دی 1401
چکیده مقاله:
سرریز کرامپ در طبقه بندی سرریزها در میان سرریزهای لبه کوتاه جای می گیرد. طراحی این سرریز به گونه ای است که شیب بالادست آن بیشتر از شیب پایین دست آن بوده و موجب می شود که رسوبات به راحتی تخلیه گردند. در این تحقیق عملکرد روشهای -kنزدیک ترین همسایگی و رگرسیون بردار پشتیبان در مدلسازی ضریب دبی سرریز کرامپ با استفاده از داده های آزمایشگاهی موردبررسی قرار گرفت. داده ها در ۱۷۴ دسته و ۹ ترکیب مختلف از پارامترهای ورودی شامل شیب بالادست (Sup )، شیب پایین دست (Sdo)، عدد رینولدز (Re) و نسبت عمق آب روی سرریز در بالادست به ارتفاع سرریز (h۱/P) مورداستفاده قرار گرفت. در چهار مرحله به ترتیب ۶۶، ۷۰، ۷۵ و ۸۰ درصد داده های آزمایشگاهی برای آموزش و مابقی آن ها در هر مرحله جهت آزمون استفاده گردید. براساس یافتهها در هر دو روش، بهترین نتیجه زمانی حاصل می شود که از ۸۰ درصد داده ها برای آموزش و ۲۰ درصد داده ها برای آزمون استفاده شود. از سوئی دیگر روش نزدیک ترین همسایگی در مقایسه با رگرسیون بردار پشتیبان از توانمندی بیشتری در مدل سازی ضریب دبی سرریز کرامپ برخوردار بوده و نسبت (h۱/P) تاثیر مهمی در تخمین ضریب دبی سرریز کرامپ داشته و قادر است با دقت نسبتا بالایی ضریب دبی سرریز را مدل سازی نماید. همچنین نتایج نشان داد با کاربرد ترکیب ورودی شامل پارامترهای h۱/P, Sup , Sdo، روشهای رگرسیون بردار پشتیبان و نزدیک ترین همسایگی به ترتیب با ضرایب همبستگی ۹۶۹/۰ و ۹۸۷/۰ بیشترین دقت را از خود نشان دادند.
کلیدواژه ها:
نویسندگان
محمدتقی ستاری
۱- استادیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
فرزین سلماسی
دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
امیر حاجی محمدی
۳- کارشناس ارشد عمران آب، دانشگاه آزاد اسلامی واحد مراغه
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :