شبيه‌سازي الگوي آبشستگي در مجاورت سرريزهاي سنگي با استفاده ماشين آموزش نيرومند خارج از محدوده

Simulation of Scour Pattern Around Cross-Vane Structures Using Outlier Robust Extreme Learning Machine

در اين مطالعه، عمق حفره آبشستگي در پائين دست سرريزهاي سنگي با شكل هاي مختلف J، I، U و W توسط يك روش نوين هوش مصنوعي تحت عنوان ماشين آموزش نيرومند خارج از محدوده (ORELM) شبيه سازي شد. داده¬هاي مشاهداتي به دو دسته آموزش (70 درصد) و تست (30 درصد) تقسيم شدند. سپس تابع فعال¬سازي بهينه براي شبيه¬سازي عمق آبشستگي در پائين¬دست سرريزهاي سنگي انتخاب شد. در ادامه، با استفاده از پارامترهاي ورودي كه شامل نسبت طول سازه به عرض كانال (b/B)، عدد فرود تراكمي (Fd)، نسبت اختلاف عمق جريان بالادست و پائين¬دست سازه به ارتفاع سازه (Δy/hst) و فاكتور شكل سازه (φ)، يازده مدل مختلف ORELM براي تخمين عمق آبشستگي توسعه داده شدند. با انجام يك تحليل حساسيت، مدل برتر و مؤثرترين پارامترهاي ورودي شناسايي شدند. مدل برتر مقادير آبشستگي¬ها را توسط پارامترهاي بدون بعد b/B, Fd, Δy/hst شبيه¬سازي كرد. براي اين مدل، مقادير ضريب همبستگي (R)، شاخص عملكرد (VAF)و ضريب نش (NSC) براي مدل برتر در شرايط تست به¬ترتيب مساوي با 0/956، 91/378 و 0/908 بدست آمدند. همچنين، پارامترهاي بدون بعد b/B, Δy/hst به¬عنوان مؤثرترين پارامترهاي ورودي شناسايي شدند. همچنين، نتايج مدل برتر با مدل ماشين آموزش نيرومند نيز مقايسه شدند كه مدل ORELM دقت بيشتري داشت. علاوه بر اين، تحليل عدم قطعيت نشان داد كه مدل ORELM مقادير آبشستگي¬ها را بيشتر از واقعيت تخمين زد. در ادامه، براي مدل برتر، يك تحليل حساسيت مشتق نسبي (PDSA) اجرا گرديد.

In this research, the scour hole depth at the downstream of cross-vane structures with different shapes (i.e., J, I, U, and W) was simulated utilizing a modern artificial intelligence method entitled "Outlier Robust Extreme Learning Machine (ORELM)". The observational data were divided into two groups: training (70%) and test (30%). Then, using the input parameters including the ratio of the structure length to the channel width (b/B), the densimetric Froude number (Fd), the ratio of the difference between the downstream and upstream depths to the structure height (Δy/hst), and the structure shape factor (φ), eleven different ORELM models were developed for estimating the scour depth. Subsequently, the superior model and also the most effective input parameters were identified through the conduction of uncertainty analysis. The superior model simulated the scour values by the dimensionless parameters b/B, Fd, Δy/hst. For this model, the values of the correlation coefficient (R), the variance accounted for (VAF), and the Nash-Sutcliffe efficiency (NSC) for the superior model in the test mode were obtained 0.956, 91.378, and 0.908, respectively. Also, the dimensionless parameters b/B and Δy/hst were detected as the most effective input parameters. Furthermore, the results of the superior model were compared with the extreme learning machine model and it was concluded that the ORELM model was more accurate. Moreover, an uncertainty analysis exhibited that the ORELM model had an overestimated performance. Besides, a partial derivative sensitivity analysis (PDSA) model was performed for the superior model.