23467

تخمين ضريب اصطكاك رودخانه¬ها با استفاده از مدل¬هاي محاسباتي نرم

كارشناسي ارشد

مهندسي آب و سازه هاي هيدروليكي

1396

1399/11/29

ابراهيم جباري

عمران

يكي از موارد مهم و اصلي مورد بررسي مهندسين در هنگام تحليل جريان‌هاي داراي سطح آزاد، تعيين مقاومت جريان است. در اين تحقيق با استفاده از چهار روش محاسبات نرم شامل شبكه عصبي مصنوعي، ماشين بردار پشتيبان، سيستم استنتاج عصبي-فازي تطبيقي و روش دسته‌بندي گروهي داده‌ها و با بكارگيري داده‌هاي رودخانه‌اي و پارامترهاي بي‌بعد، ضريب زبري دارسي-ويسباخ برآورد شده است. پارامترهاي مورد استفاده دو گروه بوده است، كه يكي شامل سه ورودي از جمله شيب اصطكاك، نسبت غوطه‌وري عمق جريان و عدد فرود است و ديگري كه شامل دو ورودي از جمله شيب اصطكاك و نسب غوطه‌وري شعاع هيدروليكي است. سپس نتايج حاصل شده از اين روش‌ها با استفاده از شش معيار ارزيابي مختلف با يكديگر و با سه رابطه تجربي ارائه شده توسط محققين مختلف مقايسه شده است. عملكرد مدل‌هاي مورد استفاده، نشان‌دهنده دقت و توانايي آن‌ها در برآورد ضريب زبري بود. علاوه بر اين روش دسته‌بندي گروهي داده‌ها روابطي را جهـت برآورد ضريب زبري ارائه كرد. در نهايـت نتـايج حاصـله نشـان داد كـه شبكه‌ عصبي مصنوعي بالاترين دقت را در برآورد ضريب زبري دارسي-ويسباخ داشته است،¬ بطوري كه اين روش در ورودي‌هاي سه‌گانه نسبت به روش سيستم استنتاج عصبي-فازي تطبيقي كه در جايگاه دوم است باعث كاهش 3 درصدي و نسبت به دو روش ماشين بردار پشتيبان و روش دسته‌بندي گروهي داده‌ها به ترتيب موجب كاهش 23 و 27 درصدي ميانگين مطلق خطا شده است. در ورودي‌هاي دوگانه نيز شبكه‌ عصبي مصنوعي با بهترين عملكرد باعث كاهش 12 درصدي ميانگين مطلق خطا نسبت به روش سيستم استنتاج عصبي-فازي تطبيقي و كاهش 15 و 27 درصدي اين پارامتر به ترتيب نسبت به دو روش ماشين بردار پشتيبان و روش دسته‌بندي گروهي داده‌ها شده است. در كل نيز نتايج مدل‌هاي مورد استفاده از نتايج روابط تجربي بهتر بوده است، بطوري كه روش شبكه‌ عصبي مصنوعي با ورودي سه¬گانه كه داراي بهترين عملكرد و روش دسته‌بندي گروهي داده‌ها با ورودي دوگانه كه ضعيف‌ترين مدل محاسباتي نرم بوده¬اند، به ترتيب باعث كاهش 77 و 31 درصدي ميانگين مطلق خطا نسبت به بهترين رابطه تجربي مورد بررسي، شده¬اند.

1400/01/21

Estimation of river friction coefficient using soft computing models

2/18/2022 12:00:00 AM

Determining flow resistance is one of the most important and main issues studied by engineers when analyzing free surface flows. In this research, using four soft computing methods including artificial neural network (ANN), support vector machine (SVM), Adaptive Neuro – Fuzzy Inference Systems (ANFIS), Group Method of Data Handling (GMDH) and using river data and dimensionless parameters, Darcy–Weisbach friction factor has been estimated. The parameters used were two groups, one of which included three inputs including friction slope, relative submergence (h/d84) and Froude number and the other which included two inputs including friction slope and relative smoothness (R/d84). Then, the results of these methods are compared with each other using six different evaluation criteria and with three experimental relationships presented by different researchers. The performance of the utilized models showed their accuracy and ability to estimate the roughness coefficient. In addition, the GMDH provided relationships for estimating the roughness coefficient. Finally, the results showed that ANN had the highest accuracy in estimating the Darcy-Wiesbach roughness coefficient, so that this method in triple inputs compared to ANFIS method, which is in second place, reduces by 3% and Compared to the two methods of SVM and GMDH, the data reduced the mean average error (MAE) by 23% and 27%, respectively. In dual inputs, the ANN with the best performance reduced the MAE by 12% compared to the ANFIS method and reduced this parameter by 15% and 27% compared to the two SVM and the GMDH, respectively. In general, the results of the utilized models have been better than the results of experimental relations, so that the ANN with triple input has the best performance and the GMDH with dual input has been the weakest soft computational model, which reduced the MAE by 77% and 31%, respectively, compared to the best experimental relationship studied.

ضريب اصطكاك دارسي-ويسباخ , شبكه عصبي مصنوعي , ماشين بردار پشتيبان , سيستم استنتاج عصبي-فازي تطبيقي , روش دسته‌بندي گروهي داده‌ها

Darcy–Weisbach friction factor , artificial neural network , support vector machine , Adaptive Neuro – Fuzzy Inference Systems , Group Method of Data Handling