تخمين عمق آبشستگي در اطراف سرريزهاي مستغرق با استفاده از مدل نوين ماشين آموزش نيرومند

Estimation of Scour Depth around Submerged Weirs Using the Novel Approach Extreme Learning Machine

در اين مطالعه با استفاده از روش نوين ماشين آموزش نيرومند الگوي آبشستگي در پائين دست سرريزهاي مستغرق پيش­بيني شد. در مطالعه حاضر براي بررسي توانايي دقت مدل عددي از روش شبيه ­سازي ­هاي مونت كارلو بهره گرفته شد. علاوه بر اين، به منظور صحت سنجي دقت مدل­هاي عددي از روش اعتبار سنجي ضربدري استفاده گرديد. در ادامه با توجه به پارامترهاي ورودي، پنج مدل عددي ماشين آموزش نيرومند توسعه داد شد. در ابتدا، بهينه ترين تعداد نرون هاي لايه مخفي براي مدل عددي محاسبه شد. سپس تابع فعال ­سازي بهينه براي مدل عددي انتخاب شد. تحليل توابع فعال ­سازي نشان داد كه تابعsigmoid مقادير تابع هدف را با دقت بيشتري تخمين زد. همچنين نتايج تحليل حساسيت نشان داد كه مدل برتر مقادير آبشستگي را بر حسبU0/Uc, z/ht, d50/ht تخمين زد. اين مدل مقادير آبشستگي در پائين دست سرريزهاي مستغرق را با دقت قابل قبولي تخمين زد به عنوان مثال مقادير ضريب تبيين و شاخص پراكندگي براي اين مدل به ترتيب مساوي با 0/880 و 0/127 محاسبه شد. علاوه بر اين، پارامتر بدون بعد سرعتU0/Uc به عنوان موثرترين پارامتر ورودي شناسايي شد. در نهايت يك ماتريس براي محاسبه عمق آبشستگي براي مهندسين بدون نياز به دانش قبلي در مورد ماشين آموزش نيرومند ارائه شد.

Scour in vicinity of hydraulic structures is considered as one of the most important parameters to design the structures. In this study, scour pattern at downstream of submerged weirs was predicted using the novel method “Extreme Learning Machine”. In current study, in order to survey the accuracy of the numerical model, the Monte Carlo Simulations (MCs) was employed. In addition, the k-fold cross validation was utilized so as to validate the results of numerical models. Then, regarding with input parameters, five ELM models were developed. Firstly, the number of optimized hidden neurons for soft computing model was calculated. Next, the best activation function for numerical model was chosen. Analysis of activation function showed that the sigmoid activation function predicted the scour around submerged weirs with more accuracy. Additionally, results of sensitivity analysis proved that the superior model estimated the scour in terms of U0/Uc, z/ht, d50/ht. This model simulated the scour around submerged weirs with reasonable accuracy, for instance, determination coefficient and scatter index were computed 0.880 and 0.127, respectively. Moreover, the velocity parameter U0/Uc was identified as the most effective input variable. Finally, a matrix was provided to estimate the scour depth for engineers without previous knowledge of Extreme Learning Machine.