كليدواژه :
ﺑﺮﻧﺎﻣﻪرﯾﺰي ﺑﯿﺎن ژن , ﭘﺸﺘﯿﺒﺎن ﺑﺮدار ﻣﺎﺷﯿﻦ , ﺷﺎﺧﺺﻫﺎي اﻣﺎري , ﺿﺮﯾﺐ دﺑﯽ
چكيده فارسي :
به دليل نقش ضريب دبي جريان در ظرفيت گذردهي سرريزها، پيشبيني دقيق آن از اهميت ويژهاي برخوردار است. در اين پژوهش از دو الگوريتم GEP و SVM براي شبيهسازي ضريب دبي در سرريز جانبي مستطيلي نصب شده در كانال اصلي مستطيلي (سناريوي اول) و ذوزنقهاي (سناريوي دوم) استفاده شده است. ابتدا پارامترهاي موثر بر Cd شامل عدد فرود بالادست (Fr1)، عمق آب بالادست (h1 يا yo)، ارتفاع سرريز (P يا W)، طول سرريز جانبي (L)، عرض كانال اصلي (b) و شيب جانبي ديواره كانال اصلي (Z) شناسايي شدند. سپس به كمك تحليل ابعادي، چهار پارامتر بيبعد Fr1، ، و در سناريوي اول و سه پارامتر بيبعد 1Fr، Z و در سناريوي دوم استخراج شدند. نتيجه هاي دو الگوريتم با نتيجه هاي معادله هاي تجربي و رﮔﺮﺳﯿﻮﻧﯽ ﺑﻪ ﮐﻤﮏ ﺷﺎﺧﺺﻫﺎي ﻣﺠﺬور ﻣﯿﺎﻧﮕﯿﻦ ﻣﺮﺑﻌﺎت ﺧﻄﺎ )RMSE(، ﺿﺮﯾﺐ ﺗﺒﯿﯿﻦ )R2(، ﺧﻄﺎي ﻧﺴﺒﯽ (RE)و ﻧﺴﺒﺖ ﺗﻔﺎوت ﺗﻮﺳﻌﻪ داده ﺷﺪه اﺳﺘﺎﻧﺪارد ﺷﺪه )(ZDDR ﻣﻘﺎﯾﺴﻪ ﺷﺪﻧﺪ. ﻣﻘﺪار )ZDDR ،RE ،R2 ،RMSE( در ﻓﺎز آزﻣﻮن ﺑﺮاي ﺳﻨﺎرﯾﻮي اول در اﻟﮕﻮرﯾﺘﻢﻫﺎي GEPو SVM ﺑﻪ ﺗﺮﺗﯿﺐ )0/036، 0/962، 7/76، 5/48( و )0/037، 0/952، 9/6، 3/8( و ﺑﺮاي ﻣﻌﺎدﻟﻪي رﮔﺮﺳﯿﻮﻧﯽ ﮐﻼﺳﯿﮏ ﺑﺮﺗﺮ )0/040، 0/912، 4/527، 2/439( ﻣﺤﺎﺳﺒﻪ ﺷﺪﻧﺪ. در ﺳﻨﺎرﯾﻮي دوم ﻧﯿﺰ ﻣﻘﺪارﻫﺎي ﻣﺘﻨﺎﻇﺮ ﺑﺮاي اﻟﮕﻮرﯾﺘﻢﻫﺎي GEPو SVMﺑﻪ ﺗﺮﺗﯿﺐ )0/0676، 0/992، 3/1، 1/14( و )0/043، 0/934، 10/3، 0/71( و ﺑﺮاي ﻣﻌﺎدﻟﻪي رﮔﺮﺳﯿﻮﻧﯽ )0/068، 0/818، 11/9، 0/511( ﻣﺤﺎﺳﺒﻪ ﺷﺪﻧﺪ. ﻧﺘﯿﺠﻪي ﭘﮋوﻫﺶ ﻧﺸﺎن دﻫﻨﺪهي ﺑﺮﺗﺮي اﻟﮕﻮرﯾﺘﻢﻫﺎي ﻫﻮﺷﻤﻨﺪ ﻧﺴﺒﺖ ﺑﻪ روشﻫﺎي ﮐﻼﺳﯿﮏ و ﻫﻤﭽﻨﯿﻦ ﺑﺮﺗﺮي اﻟﮕﻮرﯾﺘﻢ GEPﻧﺴﺒﺖ ﺑﻪ SVM ﺑﻮد.
چكيده لاتين :
It’s valuable to predict accurately the discharge coefficient due to its direct role in the determination of the weirs passing capacity. This study was carried out using intelligent GEP and SVM algorithms based on laboratory datasets to simulate the discharge coefficient of the rectangular side weir installed in a rectangular (the first scenario) and a trapezoidal main channel (the second scenario). The most effective parameters were determined as upstream Froud number (Fr1), upstream flow depth (h1 or yo), weir height (P or W), side weir length (L), main canal width (b), sidewall slope (Z). Dimensionless parameters were extracted as (Fr1, , , ) and (Fr1, Z, ) for the first and the second scenarios, respectively. The outputs of the two algorithms were compared with experimental and regression equations using statistical indices as root mean square error (RMSE), deterministic coefficient (R2), relative error (RE), and standardized developed discrepancy ratio (ZDDR). The values of (RMSE, R2, RE, ZDDR) during the test phase for the first scenario for GEP and SVM were calculated as (0.036, 0.962, 7.76, 5.48) and (0.037, 0.952, 9.6, 3.8) and those of the superior regression model were (0.040, 0.912, 4.527, 2.439), respectively. The corresponding values in the second scenario for GEP, SVM and regression model were obtained (0.068, 0.992, 3.1, 1.14), (0.043, 0.934, 10.3, 0.71) and (0.068, 0.818, 11.9, 0.511), respectively. The results showed the superiority of intelligent algorithm over classical regression, and also the GEP to the SVM.
