تخمین ضریب دبی دریچه های کشویی در شرایط جریان مستغرق با بهره گیری از فنون محاسبات نرم
محل انتشار: فصلنامه مدل سازی در مهندسی، دوره: 20، شماره: 71
سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 148
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JME-20-71_001
تاریخ نمایه سازی: 17 اردیبهشت 1402
چکیده مقاله:
تخمین ضریب دبی دریچه های کشویی در شرایط جریان آزاد و مستغرق همواره یکی از موضوعات مورد علاقه محققین هیدرولیک بوده است. در سال های اخیر روابط نیمه تجربی مختلفی به منظور تخمین ضریب دبی دریچه های کشویی در شرایط جریان مستغرق ارائه شده که کاربرد این روابط اغلب با خطاهای بزرگی همراه بوده است. هدف از پژوهش حاضر استفاده از روش های رگرسیون فرایند گاوسی (GPR) و ماشین بردار پشتیبان (SVM) به عنوان فنون محاسبات نرم به منظور تخمین ضریب دبی دریچه های کشویی در شرایط جریان مستغرق و مقایسه نتایج حاصل با روش های نیمه تجربی بوده است. بدین منظور، با به کارگیری تعداد ۱۲۲ داده آزمایشگاهی، مدل های مختلفی بر اساس ترکیب پارامترهای بدون بعد تعریف شده و دقت این مدل ها مورد ارزیابی قرار گرفت. نتایج حاصل کارایی بالای روش های هوش مصنوعی را نسبت به روش های تجربی به خوبی نشان داد. به راستی، بررسی مدل های مختلف نشان داد که تکنیک ماشین بردار پشتیبان به همراه پارامترهای ورودی y_t⁄w ، y_"۰" ⁄w ،"۱"/〖Fr〗^"۲" و S با دارا بودن مقادیر ۰۱۷/۰RMSE=، ۹۷/۰R= و ۹۵/۰NSE= عملکرد بهتری نسبت به تکنیک رگرسیون فرایند گاوسی و سایر روش های نیمه تجربی در تخمین ضریب دبی دریچه های کشویی در شرایط جریان مستغرق دارا می باشد.
کلیدواژه ها:
نویسندگان
آرمان علیرضازاده صدقیانی
گروه مهندسی آب /دانشکده عمران/دانشگاه تبریز/تبریز/ایران
میر علی محمدی
دانشیار مهندسی عمران- هیدرولیک و مکانیک مهندسی رودخانه، دانشکده فنی و مهندسی، دانشگاه ارومیه.
میثاق گلوانی
دانشجوی کارشناسی ارشد مهندسی عمران- سازه، دانشکده فنی، دانشگاه ارومیه، ایران
بابک واحددوست
استادیار گروه مهندسی عمران، دانشکده فنی، دانشگاه صنعتی بورسا، ترکیه
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 :