این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
آبیاری و زهکشی، جلد ۱۱، شماره ۴، صفحات ۶۴۷-۶۵۷
عنوان فارسی تعیین پارامترهای تاثیرگذار بر ضریب دبی سرریزهای اوجی قوس محور با استفاده از روش ماشین بردار پشتیبان(SVM) و مقایسه با روش شبکه فازی- عصبی تطبیقی(ANFIS)
چکیده فارسی مقاله الگوی سه­بعدی جریان در سرریزهای اوجی و نامحدود بودن تغییرات پارامترهای هندسی به­مانند تصحیح جزیی در شکل تاج یا تغییرات سازه‌ای از یک سو و محدودیت اطلاعات قابل دسترس در مورد هیدرولیک سرریزهای اوجی قوس محور از سوی دیگر، به­عنوان چالشی بزرگ، باعث گردیده تا به کارگیری سیستم­های فرامدل و داده­گرا مورد توجه محققان قرار گیرد. در تحقیق کنونی پیش­بینی ضریب دبی با استفاده از داده­های آزمایشگاهی و بکارگیری روش‌های هوش مصنوعی (ماشین بردار پشتیبان SVM و سیستم استنتاج تطبیقی عصبی- فازی ANFIS) انجام شد. بدین منظور از داده­های مدل آزمایشگاهی از این سرریز با چندین زاویه همگرایی دیواره­های هادی (ساخته شده توسط نگارندگان) استفاده و به ازای مدل­های مختلف، مورد ارزیابی قرار گرفت. نتایج حاصله نشان داد که نسبت هد طراحی به عمق بحرانی ( ) بیش­ترین تاثیر را در تخمین ضریب دبی در مدل برتر و پارامترهای هد بالادست به هد طراحی ( ) و هد بالادست به ارتفاع سرریز ( )تاثیر تقریبا یکسان و کم­تری را در این مدل دارا می­باشند. همچنین نتایج عملکرد مناسب روش­های SVM و ANFIS را تایید می­نماید بطوری­که در ﺑﻬﺘﺮﻳﻦ ﺣﺎﻟﺖ ارزﻳﺎﺑﻲ آزﻣﻮن، در روش SVM مقادیر 966/0 ,R=93/0 DC=و 06/0=RMSE و ﺑﺮای روش ANFIS مقادیر945/0R=، 885/0DC= و088/0 =RMSE ﻣﺸﺎﻫﺪه ﮔﺮدﻳﺪ.
کلیدواژه‌های فارسی مقاله دیواره‌های هادی همگرا،سرریز اوجی،ضریب دبی،SVM،ANFIS،
عنوان انگلیسی Prediction of Discharge Coefficient for Ogee Spillway with Curve Axis Using Support Vector Machine by Comparison with Adaptive Neuro Fuzzy Inference System
چکیده انگلیسی مقاله Three-dimensional pattern of flow on ogee spillway and unlimited geometric parameters changing like a change in crest shape, or modification of the approach channel owing to positional geometric qualities may change the flow characteristics on the one hand and the limited information available about hydraulic ogee spillway with curve axis on the other hand, as a major challenge, has led to the use of meta-model systems and data-oriented used by researchers. In current study Artificial Intelligence Techniques (Adaptive Neuro-Fuzzy Inference System (ANFIS) and Support Vector Machine (SVM)) were applied to predict the discharge coefficient of the ogee spillway with curve axis and compared to experimental data. For this purpose, the experimental data of the ogee spillway model with varying training wall convergence angles, , (which was made by the author) was used and regarding the different models based on the concepts of ogee spillway, examined and evaluated. The obtained results indicated that in estimating the discharge coefficient of the ogee spillway with curve axis, artificial intelligence techniques are very accurate and they show good agreement between observed and predicted values. According to the obtained results of sensitivity analysis it was observed that the ratio of the design head to critical depth ( ) have the highest impact on predicting of discharge coefficient and also the ratio of the total upstream water head to design head ( ) and the ratio of the total upstream water head to spillway height ( ) have the same and marginal impact on this term. The best evaluation of test series were observed in SVM approach with the values of R=0.966, DC=0.93, RMSE=0.06 and in ANFIS approach with the values of R=0.945, DC =0.885, RMSE=0.088, which demonstrates the high accuracy of predictions.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله کیومرث روشنگر |
دانشیار گروه مهندسی عمران، دانشگاه تبریز، تبریز، ایران

علی فرودی خور |
دانشجوی دکترای عمران (سازه‌های هیدرولیکی) دانشگاه تبریز، تبریز، ایران

مجتبی صانعی |
دانشیار گروه مهندسی رودخانه و سواحل، پژوهشکده حفاظت خاک و آبخیزداری، تهران، ایران

نشانی اینترنتی http://idj.iaid.ir/article_55964_19f37133b7c8182532fb8b7c1b9f1b7e.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/552/article-552-788399.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات