كليدواژه :
اﻟﮕﻮرﯾﺘﻢ ﺑﺮﻧﺎﻣﻪرﯾﺰي ﺑﯿﺎن ژن , اﻟﮕﻮرﯾﺘﻢ ﻣﺎﺷﯿﻦ ﺑﺮدار ﭘﺸﺘﯿﺒﺎن , آزﻣﻮن ﮔﺎﻣﺎ و ﭘﺮش ﻫﯿﺪروﻟﯿﮑﯽ , ﺳﺮﻋﺖ ﺟﺮﯾﺎن
چكيده فارسي :
توزيع عمقي سرعت در پرش هيدروليكي به دليل پيچيدگيهاي اندازهگيري و محاسباتي به عنوان يكي از موضوعهاي مهم و در حال بررسي ميان پژوهشگران مطرح ميباشد. در اين تحقيق، عملكرد مدلهاي هوشمند GEP و SVM در تعيين توزيع عمقي سرعت در پرش هيدروليكي مستغرق در پايين دست دريچه كشويي مورد بررسي قرار گرفت. بدين منظور از 312 داده آزمايشگاهي استفاده شده است. با استفاده از تحليل ابعادي پارامترهاي بيبعد ورودي به مدلهاي هوشمند شامل عدد فرود بالادست (Fr1)، عدد فرود پاياب (Fr3)، نسبت عمق بالادست دريچه به عمق پاياب ( z/h)، نسبت بازشدگي دريچه به عرض كانال (z/b ) و نسبت عمق اندازهگيري به عرض كانال (y/y3) معين شدند. با استفاده از آزمون گاما، استفاده از هر پنج پارامتر بيبعد به عنوان بهترين تركيب براي پيشبيني توزيع عمقي سرعت تعيين شد. دادههاي آزمايشگاهي اندازهگيري شده نرمالسازي شدند. از بين دو كلاس طبقهبندي Nu-SVM و C-SVM، الگوريتم اول به ازاي مقدار پارامترهاي تنظيمي γ و Nu به ترتيب برابر با 1/2 و 0/486 ﺑﺎ ﺗﺎﺑﻊ كرنل از نوع RBF به عنوان الگوريتم برتر براي SVM انتخاب شد. عملكرد مدلهاي هوشمند Nu-SVM و GEP با استفاده از شاخص هاي آماري مورد ارزيابي قرار گرفت. نتايج نشان داد كه مقدار شاخصهاي (RMSE, R2, ) در فرآيند آزمون براي الگوريتمهاي Nu-SVM و GEP به ترتيب )0/09588 ،0/9770 ،0/4489( و )0/1161 ،0/9718 ،0/3588( ﻫﺴﺘﻨﺪ ﮐﻪ ﻧﺸﺎن از ﺑﺮﺗﺮي اﻟﮕﻮرﯾﺘﻢ Nu-SVM دارد. ﻫﻤﭽﻨﯿﻦ ﻃﺒﻖ آزﻣﻮن ﮔﺎﻣﺎ، ترتيب تاثيرگذاري پارامترهاي بيبعد موثر بر روي پروفيل عمقي سرعت به صورت ، Fr1، ، Fr3 و به دست آمد.
چكيده لاتين :
Vertical velocity distribution at hydraulic jump is one of the challenging and significant issues among researchers because of the complexity of measurement and calculations. In this research, the application of the SVM and GEP intelligent models has been considered to determine the vertical velocity profile at the submerged hydraulic jump downstream of a sluice gate. Laboratory measured data of number 312 has been used in the simulation. Using dimensional analysis, dimensionless input parameters were introduced to models including upstream Froud number (Fr1), Tail water Froud number (Fr3), the ratio of upstream flow depth to the tailwater depth , the ratio of the gate opening to the channel width , and the ratio of vertical distance from the channel bed to the channel width . Using the gama test, all five parameters were determined as the optimum combination to simulate velocity profile. Of two Nu-SVM and C-SVM classification models, the first one was opted as optimum model of the SVM algorithm with RBF Kernel function with the setting parameters γ and Nu of values 1.2 and 0.486, respectively. The performance of the Nu-SVM and the GEP intelligent,models were assessed using statistical criteria. The results showed that the values of (RMSE, R2, ) indices for the test phase of the Nu-SVM and the GEP algorithms are (0.09588,0.9770,0.4489) and (0.1161,0.9718,0.3588) respectively; illustrating the superiority of the Nu-SVM algorithm. Also, according to the gana test, the arrangment of the effective dimensionless parameters on the velocity profile is , Fr1, , Fr3 and .
