بابک شاهی نژاد - Lorestan University
عباس پارسایی - Shahid Chamran University of Ahvaz
حجت الله یونسی - Lorestan University
زهرا شمسی - Lorestan University
آزاده ارشیا - Lorestan University

در پژوهش حاضر، دبی جریان در فلوم های حاوی نیم استوانه های جانبی (SMBF) تحت شرایط آزاد و مستغرق با استفاده از مدل های ماشین بردار پشتیان (SVM)، رگرسیون انطباقی چندمتغیره اسپلاین (MARS) و مدل شبکه عصبی مصنوعی چندلایه (MLPNN)، شبیه سازی و تخمین زده شد. در حالت جریان آزاد از پارامترهای بی بعد مستخرج از آنالیز ابعادی شامل نسبت عمق جریان در بالادست به عرض گلوگاه و نسبت انقباض (عرض گلوگاه به عرض کانال) و در حالت مستغرق علاوه بر این دو پارامتر از پارامترهای عمق پایاب به عرض گلوگاه و عمق پایاب به عمق بالادست به عنوان ورودی و از فرم بی بعد دبی جریان به عنوان خروجی مدل ها استفاده شد. نتایج نشان داد که در حالت جریان آزاد در مرحله صحت سنجی مدل MARS با شاخص های آماری ۰/۹۸۵= R۲، ۰/۰۰۸=RMSE، % ۰/۸۷=MAPE و مدل  SVM با شاخص های آماری ۰/۹۷۱=R۲، ۰/۰۰۱۲=RMSE، % ۱/۳۷۶=MAPE و مدل MLPNN با شاخص های آماری ۰/۹۷۳= R۲، ۰/۰۱۱=RMSE، % ۱/۳۰۴=MAPE دبی جریان را شبیه سازی و پیش بینی کرده اند. در حالت مستغرق شاخص های آماری مدل MARS توسعه داده شده عبارت از ۰/۹۷۸= R۲، ۰/۰۱۸=RMSE، % ۳/۶=MAPE و شاخص های آماری مدل SVM عبارت از ۰/۹۸۸= R۲، ۰/۰۱۴=RMSE، % ۴/۲=MAPE و شاخص های آماری مدل MLPNN عبارت از ۰/۹۶۶= R۲، ۰/۰۲۲=RMSE و % ۵/۷=MAPE هستند. در توسعه مدل های SVM و MLPNN به ترتیب از توابع کرنل شعاعی و تانژانت هایپربولیک استفاده شد.

Artificial neural network, SMBF flumes, Water transfer channel, Support vector machine, Side half cylinders, شبکه عصبی مصنوعی, فلوم هایSMBF, کانال انتقال آب, ماشین بردار پشتیبان, نیم استوانه های جانبی.