بررسي عملكرد ماشين‌هاي يادگيري در تخمين ضريب دبي آبگذري آبگيرهاي كفي با روزنه دايره‌اي

Investigate of Learning Machines Performance in Estimation of Circular Bottom Intake Discharge Coefficient

با توسعه فناوري و پيشرفت تكنولوژي، روش‌هاي هوشمند بسياري براي تخمين ضريب آبگذري سازه‌هاي هيدروليكي مختلف پديد آمده است. يكي از سازه‌هايي كه در نيروگاه‌هاي برقابي كاربرد دارد، سازه آبگير كفي است. وظيفه اين سازه، انتقال جريان به كانال جمع‌آوري است. از مزيت‌هاي اين سازه مي‌توان به پايداري آن‌ها در برابر بارهاي ديناميكي و استاتيكي به دليل قرارگيري اين سازه‌ها در پايين‌ترين تراز اشاره كرد. در پژوهش حاضر، چهار الگوريتم هوشمند توانمند ماشين يادگيري مضاعف (ELM)، شبكه‌هاي عصبي رگرسيون عمومي (GRNN)، مدل رگرسيون خود تطبيق شونده (MARS) و مدل درخت M5 در مدل‌سازي ضريب آبگذري آبگير كفي مورد ارزيابي قرار گرفته است. نتايج مدل‌سازي نشان داد كه الگوريتم ELM در هر دو دوره آموزش (70 درصد داده‌ها) و آزمون (30 درصد داده‌ها) از دقت بيشتري نسبت به ساير الگوريتم‌هاي بررسي شده برخوردار است. به طوري كه ضريب R2 براي الگوريتم مذكور تا 74/3 درصد بيشتر از ديگر الگوريتم‌هاي استفاده شده بود. همچنين معيار DDR و هيستوگرام خطاي مدل‌سازي بيانگر برتري الگوريتم ELM بود. در نهايت نيز سرعت محاسبه‌ الگوريتم‌هاي به كاربرده شده مورد مقايسه قرار گرفت كه الگوريتم ELM تا 2/557 برابر سريع‌تر از ساير الگوريتم‌ها بود. بنابراين، الگوريتم ELM به دليل دقت خوب و در عين حال سرعت زياد، داراي پتانسيل بالا جهت مدل‌سازي ضريب آبگذري سرريز‌ها است.

By the development of technology and the advancement of technology, many intelligent methods have emerged for estimating the discharge coefficient of different hydraulic structures. One of the structures used in power plants is bottom intake structure. The task of this structure is to transfer the flow to the collecting channel. The advantages of these structures are their stability against dynamic and static loads due to their low level alignment. In the present study, four intelligent algorithms capable of extreme learning machine (ELM), general regression neural networks (GRNN), multivariate adaptive regression spline (MARS) and M5 tree model have been evaluated in modeling of discharge coefficient of bottom intake. The modeling results showed that the ELM algorithm is more accurate than the other algorithms in both training (70% of data) and test (30% of data) periods. In addition, R2 coefficient for the mentioned algorithm was up to 3.74% higher than the other algorithms used. Also the DDR criterion and modeling error histogram showed the superiority of the ELM algorithm. Finally, the computational speed of the algorithms used was compared, which ELM algorithm was 2.557 times faster than the other algorithms. Therefore, the ELM algorithm has high potential for modeling the discharge coefficient in overflows due to its good accuracy and high speed.