ارزيابي مدل SVM و رگرسيون غيرخطي در محاسبه ضريب بده سرريزهاي جانبي كليد پيانويي براي بهره گيري در شبكه هاي آبياري و زهكشي

Evaluation of SVM and Nonlinear Regression Models for Predicting the Discharge Coefficient of Side Piano Key Weirs in Irrigation and Drainage Networks

سرريزهاي كليدپيانويي سرريزهايي هستند كه جايگزين مناسبي براي سرريزهاي متداول در شبكه‌هاي آبياري و زهكشي‌اند. با توجه به مشكلات تخليه دبي و همچنين كنترل ترازجريان در كانال‌هاي انتقال آب و سامانه‌هاي آبياري و زهكشي استفاده از سرريزهايي كه طول موثر بيشتري دارند، براي سرريزجانبي لازم و ضروري است. با بررسي آزمايشگاهي و انجام 289 آزمايش بر روي سرريز جانبي كليدپيانويي تيپ B در قوس كانال، ضريب آبگذري سرريزها بدست آمد. سپس با بهره‌گيري از كدنويسي در محيط نرم‌افزار MATLAB، با روش هوشمند ماشين بردار پشتيبان و با استفاده از نرم افزار DATAFIT براي رگرسيون غيرخطي مقدار ضريب دبي سرريز كليدپيانويي پيش-بيني و با مقدار آزمايشگاهي مورد مقايسه قرار گرفت. از نتايج اين تحقيق انعطاف مناسب روش بردار پشتيبان نسبت به رگرسيون غيرخطي است. همچنين با ارزيابي دو مدل مورد استفاده، نشان داده شد كه دقت روش ماشين بردار پشتيبان با RMSE=0.044 و=0.95 R2 بيشتر از روش رگرسيون غير خطي است.

Given the problems with incorporating common weirs into in irrigation and drainage, employing such weirs can be useful to overcome the difficulties resulting from linear weirs. A total of 289 data were carried out as control tests on piano key weirs type B. In this research, application and the performance of two models including SVM model and nonlinear regression models for estimation of the piano key weirs and discharge coefficient was studied. The SVM model were programmed using MATLAB and a nonlinear regression model was programmed using DATAFIT. Considering the results from the two studied models, it was found that SVM and nonlinear regression models are superior in estimating the discharge coefficient based on experimental data. The SVM model was the most accurate among the nonlinear regression models. Then analytical evaluation was made by using two models for determination of weir discharge coefficient. Statistical analysis of the results showed that SVM model with the least amount of RMSE and R2 is the most reliable method in comparison to the other.