این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مدلسازی در مهندسی، جلد ۲۰، شماره ۷۱، صفحات ۱-۱۲
عنوان فارسی تخمین ضریب دبی دریچه‌های کشویی در شرایط جریان مستغرق با بهره‌گیری از فنون محاسبات نرم
چکیده فارسی مقاله تخمین ضریب دبی دریچه‌های کشویی در شرایط جریان آزاد و مستغرق همواره یکی از موضوعات مورد علاقه محققین هیدرولیک بوده است. در سال‌های اخیر روابط نیمه تجربی مختلفی به‌منظور تخمین ضریب دبی دریچه‌های کشویی در شرایط جریان مستغرق ارائه شده که کاربرد این روابط اغلب با خطاهای بزرگی همراه بوده است. هدف از پژوهش حاضر استفاده از روش‌های رگرسیون فرایند گاوسی (GPR) و ماشین بردار پشتیبان (SVM) به عنوان فنون محاسبات نرم به‌منظور تخمین ضریب دبی دریچه‌های کشویی در شرایط جریان مستغرق و مقایسه نتایج حاصل با روش‌های نیمه تجربی بوده است. بدین منظور، با به‌کارگیری تعداد 122 داده آزمایشگاهی، مدل‌های مختلفی بر اساس ترکیب پارامترهای بدون بعد تعریف ‌شده و دقت این مدل‌ها مورد ارزیابی قرار گرفت. نتایج حاصل کارایی بالای روش‌های هوش مصنوعی را نسبت به روش‌های تجربی به‌خوبی نشان داد. به راستی، بررسی مدل‌های مختلف نشان داد که تکنیک ماشین بردار پشتیبان به همراه پارامترهای ورودی y_t⁄w ، y_"0" ⁄w ،"1"/〖Fr〗^"2" و S با دارا بودن مقادیر 017/0RMSE=، 97/0R= و 95/0NSE= عملکرد بهتری نسبت به تکنیک رگرسیون فرایند گاوسی و سایر روش‌های نیمه تجربی در تخمین ضریب دبی دریچه‌های کشویی در شرایط جریان مستغرق دارا می‌باشد.
کلیدواژه‌های فارسی مقاله دریچه‌کشویی &،quot،، ضریب دبی&،quot،، هوش مصنوعی&،quot،، ماشین بردار پشتیبان&،quot،، &،quot،، روش‌های نیمه تجربی&،quot،،
عنوان انگلیسی On the Prediction of Discharge Coefficient for Sluice Gates under Submerged Flow Conditions using Soft Computing Techniques
چکیده انگلیسی مقاله Prediction of flow discharge coefficient, Cd, for a sluice gate under free and submerged flow conditions is one of the essential issues in hydraulics. In recent years, various semi-empirical equations have been developed in order to predict Cd for a sluice gate that application of those formulas under submerged flow conditions suffered from large errors. The aim of the present research is to use Gaussian Process Regression (GPR) and Support Vector Machine (SVM) used in soft computing techniques, so that estimating Cd in submerged flow conditions and comparing the results with quasi-experimental methods are of interest, herein. For this purpose, an experimental dataset comprised of 122 data points were used to feed the methods utilized. Different combinations of dimensionless parameters were then prepared and the performance of the afore mentioned methods were assessed. The results showed that SVM with input parameters of 𝑦𝑡⁄𝑤, 𝑦0⁄𝑤, 1/𝐹𝑟2 and S by the values of Root Mean Square Error (RMSE=0.017), correlation coefficient (R=0.97) and Nash-Sutcliffe Equivalent (NSE=0.95) had a better performance than GPR and other semi-empirical approaches, indeed.
کلیدواژه‌های انگلیسی مقاله دریچه‌کشویی &,quot,, ضریب دبی&,quot,, هوش مصنوعی&,quot,, ماشین بردار پشتیبان&,quot,, &,quot,, روش‌های نیمه تجربی&,quot
نویسندگان مقاله آرمان علیرضازاده صدقیانی |
گروه مهندسی آب /دانشکده عمران/دانشگاه تبریز/تبریز/ایران

میر علی محمدی |
دانشیار مهندسی عمران- هیدرولیک و مکانیک مهندسی رودخانه، دانشکده فنی و مهندسی، دانشگاه ارومیه.

میثاق گلوانی |
دانشجوی کارشناسی ارشد مهندسی عمران- سازه، دانشکده فنی، دانشگاه ارومیه، ایران

بابک واحددوست |
استادیار گروه مهندسی عمران، دانشکده فنی، دانشگاه صنعتی بورسا، ترکیه

نشانی اینترنتی https://modelling.semnan.ac.ir/article_6160_fe8296f0aa8778d87fd75da744ec825a.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
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