پيش‌بيني عمق آبشستگي در مجاورت سرريزهاي سنگي با استفاده از ساختار تعميم‌يافته روش گروه دسته‌بندي داده‌ها

Prediction of Scour Around Cross-Vane Structures Using Generalized Structure of Group Method of Data Handling

در اين مطالعه، الگوي آبشستگي در مجاورت سرريزهاي سنگي با شكل‌هاي I، U و J درون كانال‌هاي خم توسط يك روش هوش مصنوعي نوين تحت عنوان ساختار تعميم‌يافته روش گروه دسته‌بندي داده‌ها(GSGMDH) شبيه‌سازي شد. در مقايسه با روش(GMDH) گروه دسته‌بندي داده‌ها روش GSGMDH يك روش منعطف‌تر و دقيق‌تر است كه در آن گره‌ها مي-توانند از لايه‌هاي غيرهمجوار ورودي بگيرند. در ابتدا، كليه پارامترهاي موثر بر روي عمق آبشستگي در مجاورت سرريزهاي سنگي شناسايي گرديد و سپس با استفاده از اين پارامترها، براي هر يك از روش‌هاي GMDH و GSGMDH شش مدل مختلف تعريف گرديد. با تجزيه و تحليل نتايج مدل‌هاي هوش مصنوعي مدل-هاي برتر معرفي گرديد. مدل‌هاي برتر GMDH و GSGMDH مقادير آبشستگي‌ها را بر حسب كليه پارامترهاي ورودي تخمين زدند. علاوه بر اين، دقت مدل‌هاي GSGMDH از مدل‌هاي GMDH بيشتر بود. به‌عنوان مثال، براي مدل‌هاي برتر GMDH و GSGMDH مقدار شاخص عملكرد در وضعيت تست به‌ترتيب مساوي با 73/075 و 86/408 محاسبه شدند. همچنين، مدل برتر مقادير تابع هدف را با دقت خوبي پيش‌بيني نمود. به‌عنوان مثال، مقادير ضريب همبستگي (R)، شاخص پراكندگي(SI) و ضريب نش (NSC) براي مدل برتر GSGMDH در شرايط آموزش به‌ترتيب مساوي با 0/913، 0/214 و 0/800 تخمين زده شدند. با توجه به نتايج تحليل حساسيت، پارامترهاي پارامترهاي ضريب شكل سرريزهاي سنگي (φ)، نسبت اختلاف عمق جريان در بالادست و پائين‌دست تله سنگي برابر به ارتفاع سازه (y/hstΔ) و عدد فرود تراكمي (Fd) به‌عنوان موثرترين پارامترهاي ورودي معرفي گرديدند. تحليل عدم قطعيت نشان داد كه مدل GSGMDH برتر داراي يك عملكرد كمتر از واقعي بود.

In this study, for the first time, the scour pattern in the vicinity of cross-vane structures with I, U and J shapes in bending channels is simulated by a new artificial intelligence method called the "generalized structures group method of data handling” (GSGMDH). Compared to the group method of data handling (GMDH), the GSGMDH method is more flexible and accurate in which nodes can derive inputs from non-adjacent layers. Initially, all the parameters affecting the scour depth in the vicinity of cross-vane structures are identified and then using these parameters, six different models are defined for each of the GMDH and GSGMDH methods. After that, the data are divided into two main groups: training and test. In other words, 70% of the data are used to train artificial intelligence models and the remaining 30% are utilized to test them. By analyzing the results yielded by the artificial intelligence models, the superior models are introduced. The GMDH and GSGMDH superior models estimate the scour values in terms of all input parameters. In addition, the accuracy of the GSGMDH models is higher than the GMDH ones. For example, for the GMDH and GSGMDH superior models, the values of "variance accounted for" in the test, mode are calculated at 73.075 and 86.408, respectively. Also, the superior model forecasts the objective function values with acceptable accuracy. For example, the correlation coefficient (R), the scatter index (SI), and the Nash-Sutcliffe model efficiency coefficient (NSC) for the GSGMDH superior model in the training mode are approximated 0.913, 0.214 and 0.800, respectively. Based to the results of the sensitivity analysis, the shape factor of cross-vane structures, the ratio of the difference between the upstream and downstream flow depths to the height of the structure sty h and the densimetric Froude number (Fd) are introduced as the most effective input parameters. An uncertainty analysis exhibits that the GSGMDH superior model has an underestimated performance.