تخمين ضريب دبي روزنه‌هاي جانبي مثلثي توسط ساختار تعميم يافته روش گروه دسته‌بندي داده‌ها

در اين مطالعه، براي اولين بار، ضريب دبي روزنه هاي جانبي مثلثي توسط يك روش نوين تكاملي تحت عنوان ساختار تعميم يافته روش گروه دسته بندي داده ها (GSGMDH) شبيه سازي شد. در ابتدا، پارامترهاي موثر بر روي ضريب دبي روزنه هاي جانبي مثلثي شناسايي شدند و شش مدل GSGMDH مختلف تعريف شد. سپس داده هاي آزمايشگاهي به دو دسته آموزش و آزمون تقسيم بندي شدند. در اين مقاله، 70% داده ها براي آموزش مدل هاي هوش مصنوعي و 30% باقيمانده براي آزمون اين مدل ها بكار گرفته شدند. با تجزيه و تحليل نتايج كليه مدل هاي GSGMDH، مدل برتر معرفي شد. اين مدل مقادير ضريب دبي را با دقت بالايي تخمين زد، به عنوان مثال، ضريب همبستگي  (R)، شاخص پراكندگي (SI) و ضريب نش  (NSC) براي وضعيت آزمون مدل برتر به ترتيب مساوي با 0.999، 0.0008 و 0.999 محاسبه شدند. همچنين، تحليل حساسيت پارامترهاي ورودي نشان داد كه عدد فرود (Fr) و نسبت عرض كانال اصلي به طول روزنه جانبي (B/L) به عنوان موثرترين پارامترهاي ورودي شناسايي شدند. در ادامه، نتايج مدل برتر GSGMDH با مدل GMDH مقايسه شد كه اين مقايسه نشان دهنده عملكرد بهتر مدل GSGMDH بود.