مقايسه كارايي هيدروليكي سرريزهاي غير‌خطي قوسي در پلان با استفاده از شبكه‌هاي عصبي GEP و SVM

سرريزهاي غيرخطي ضمن دارا بودن مزيت‌هاي اقتصادي، قابليت عبوردهي بيشتري را نسبت به سرريزهاي خطي دارند. اين سرريزها با افزايش طول تاج در يك عرض مشخص، در مقايسه با سرريزهاي خطي راندمان دبي بيشتر با ارتفاع آزاد كمتر را در بالادست دارند. الگوريتم‌هاي هوشمند به‌دليل توانايي زياد در كشف رابطه‌هاي دقيق پيچيدۀ مخفي بين پارامترهاي مستقل مؤثر و پارامتر وابسته و همچنين صرفه‌جويي مالي و زماني، جايگاه بسيار ارزشمندي بين پژوهشگران پيدا كرده‌اند. در اين پژوهش عملكرد الگوريتم‌هاي ماشين‌بردار پشتيبان  (SVM) و برنامه‌ريزي بيان ژن (GEP) در پيش‌بيني ضريب دبي سرريزهاي غيرخطي قوسي به كمك 243 سري دادۀ آزمايشگاهي براي سناريو اول و 247 سري داده آزمايشگاهي براي سناريو دوم بررسي شده است. پارامترهاي هندسي و هيدروليكي استفاده شده شامل بار آبي (HT/p)، ارتفاع سرريز (P)، نسبت بار آبي كل  ، زاويه سيكل قوسي (Ɵ)، زاويه ديواره سيكل(α)  و ضريب دبي (Cd) است. نتايج هوش مصنوعي نشان داد كه تركيب پارامترهاي (H_T/p ،α ،Ɵ و Cd) به‌ترتيب در الگوريتم‌هاي GEP و SVM در مرحلۀ آموزش مربوط به سناريو اول (سرريز كنگره اي با زاويۀ ديوارۀ سيكل 6 درجه) به‌ترتيب برابر است با  (0/9811=R^2)، (RMSE=0/02120)،  (DC=0/9807)، (R^2=0/9896)، (RMSE=0/0189)،  (DC=0/9871).  (در سناريو دوم (سرريز كنگره‌اي با زاويۀ ديوارۀ سيكل 12 درجه) به‌ترتيب برابراست با (0/9770=R^2)،(RMSE=0/0193)، (DC=0/9768) و (9908/0=R^2)،  (RMSE=0/0128)،  (DC=0/9905) كه در مقايسه با ديگر تركيب‌ها منجر به بهينه‌ترين خروجي شده است كه نشان‌دهنده دقت بسيار مطلوب هر دو الگوريتم در پيش‌بيني ضريب دبي سرريز غيرخطي قوسي است. نتايج آناليز حساسيت نشان داد كه پارامتر مؤثر در تعيين ضريب دبي سرريز غيرخطي قوسي در GEP و هم در SVM پارامتر نسبت بار آبي كل (HT/p) است. مقايسه نتايج اين پژوهش با ساير پژوهشگران نشان مي‌دهد كه شاخصه‌هاي ارزيابي براي الگوريتم‌هاي GEP و SVM پژوهش حاضر نسبت به ساير پژوهشگران برآورد بهتري دارند.