26341

تخمين فشار ديناميكي در جام‌ پرتابي با استفاده از روش‌هاي ماشين يادگيري سريع (ELM )، ماشين بردار پشتيبان(SVM) ، روش گروهي مدل سازي داده ها (GMDH)، سيستم استنتاج فازي (ANFIS)

كارشناسي ارشد

مهندسي عمران گرايش آب و سازه‌هاي هيدروليكي

1396

1400/06/30

دكتر ابراهيم جباري

دكتر حامد سركرده

مهندسي عمران

پرتاب‌كننده‌هاي جامي در زمره يكي از رايج‌ترين و مطمئن‌ترين و در اغلب موارد اقتصادي‌ترين انواع سيستم‌هاي مستهلك كننده انرژي در پايانه مجاري تخليه سيلاب سدهاي بزرگ مي‌باشد. مطالعه در مورد جام‌هاي پرتابي بسيار وسيع است و با توجه به كارهاي انجام‌شده در اين زمينه تحقيقات جامعي مشتمل بر نوسانات فشار در جام پرتابي باشد صورت نگرفته است. به علت تصادفي بودن ماهيت نوسانات فشار، ارائه تابع تحليلي براي تشريح اين پديده امكان‌پذير نيست، اما با ارائه روابطي براي الگوي توزيع نوسانات فشار مي‌توان خصوصيات اين پديده را مورد تحليل و بررسي قرارداد. برآورد دقيق‌تر توزيع فشار در طول جام براي طراحي حائز اهميت است. بر اين اساس امروزه با افزايش قابل‌توجه سرعت محاسبات، روش‌هاي جديدي با عنوان سيستم‌هاي هوشمند جهت مدل‌سازي فرايندهاي هيدروليكي و هيدرولوژيكي ارائه‌شده است. در اين پژوهش نيز به بررسي چهار روش ماشين يادگيري افراطي (ELM)، ماشين بردار پشتيبان (SVM)، سيستم استنتاج عصبي-فازي تطبيقي (Anfis) و روش دسته‌بندي گروهي داده‌ها (GMDH) براي توزيع دقيق‌تر فشار ديناميكي در سطح جام پرتابي كه بر روي پنج مدل جام پرتابي مختلف در مقياس‌هاي آزمايشگاهي، صورت گرفته است، پرداخته مي‌شود. سپس نتايج حاصل‌شده از اين روش‌ها با استفاده از پارامترهاي آماري مختلف با يكديگر و با روابط تجربي مقايسه شده است. درنهايت مقايسه‌ي روش‌هاي محاسبات نرم و روابط ارائه‌شده نشان داد كه مدل‌هاي ELM، SVM و Anfis دقت بالايي در تخمين فشار ديناميكي دارند؛ و بهترين عملكرد با توجه به شاخص‌هاي آماري متعلق به روش SVM مي‌باشد؛ كه مقايسه‌ي اين روش نسبت به سه روش عددي تجربي و رگرسيون غيرخطي نشان داده كه اين روش نسبت به رابطه عددي باعث كاهش شاخص پراكندگي به ميزان 60% و نيز كاهش 50% پارامتر ميانگين مطلق خطا، شده است. همچنين رابطه SVM نسبت به رابطه‌ي تجربي شاخص پراكندگي را به مقدار 66% كاهش و باعث كاهش 50% پارامتر ميانگين مطلق خطا، شده است. در ادامه رابطه SVM نيز نسبت به رابطه‌ي رگرسيون غيرخطي داراي شاخص پراكندگي به 63% كاهش و نيز كاهش 47% پارامتر ميانگين مطلق خطا، شده است.

1401/01/27

Prediction of the dynamic pressure distribution in Flip bucket using methods: Support vector machines (SVM), Group Method of Data Handling (GMDH), Adaptive Neural-Fuzzy Inference System (ANFIS), Extreme Learning Machine (ELM)

9/21/2022 12:00:00 AM

Flip buckets are among the most common, safest, and most economical types of energy-absorbing devices found at flood drain terminals of large dams. Studies in this field indicate that despite extensive research into flip buckets, no comprehensive investigation has been carried out into pressure fluctuations in buckets. Since pressure fluctuations are random in nature, it is impossible to provide an analytical explanation for this phenomenon, but relationships for the distribution pattern of these fluctuations can be used to analyze its characteristics. The pressure distribution along the bucket should be more accurately estimated for design purposes. Consequently, with the growth of computational power today, new methods for modeling hydraulic and hydrological processes have been developed. In the current study, for a more accurate distribution of dynamic pressure at the flip bucket surface, four methods were investigated: Extreme Learning Machine (ELM), Support Vector Machine (SVM), Adaptive Network-based Fuzzy Inference System (ANFIS), and Group Method of Data Handling (GMDH), and then a total of five flip bucket models were analyzed at laboratory scales. Afterward, the results of these methods are compared with each other as well as with experimental relationships using different statistical parameters. Lastly, the comparison of soft computing methods and the proposed relationships revealed that ELM, SVM, and Anfis models are highly accurate in estimating dynamic pressure, and the best performance is attributed to SVM. Compared to the numerical relationship and the three experimental numerical methods, this method has reduced the scattering index by 60% and has reduced the absolute mean error parameter by 50%. Moreover, the SVM relationship reduced the scatter index by 66% and the absolute mean error parameter by 50% when compared with the experimental relationship. As well, the SVM relationship has been reduced to 63% compared to a nonlinear regression relationship with scatter index, and the absolute mean error parameter has been reduced to 47%.

روش دسته‌بندي گروهي داده‌ها , نوسانات فشار , ، ماشين يادگيري افراطي , ، ماشين بردار پشتيبان , ، سيستم استنتاج عصبي-فازي تطبيقي

Pressure fluctuations , Group Method of Data Handling (GMDH) , Adaptive Network-based Fuzzy Inference System (ANFIS), , Support Vector Machine (SVM), , Extreme Learning Machine (ELM),

Mohsen Zarghani

Supervisor-1: Dr. Ebrahim Jabbari Supervisor-2: Dr. Hamed Sarkardeh