مدل‌سازي ضريب دبي سرريز كرامپ با استفاده از روش‌هاي يادگيري ماشيني

Modeling Crump Weir Discharge Coefficient Using Machine Learning Methods

سرريز كرامپ در طبقه ­بندي سرريزها در ميان سرريزهاي لبه‌ كوتاه جاي مي‌گيرد. طراحي اين سرريز به‌گونه‌اي است كه شيب بالادست آن بيشتر از شيب پايين‌دست آن بوده و موجب مي‌شود كه رسوبات به‌راحتي تخليه گردند. در اين تحقيق عملكرد روش­هاي -kنزديك‌ترين همسايگي و رگرسيون بردار پشتيبان در مدل­سازي ضريب دبي سرريز كرامپ با استفاده از داده‌هاي آزمايشگاهي موردبررسي قرار گرفت. داده‌ها در 174 دسته و 9 تركيب مختلف از پارامترهاي ورودي شامل شيب بالادست (Sup)، شيب پايين‌دست (Sdo)، عدد رينولدز (Re) و نسبت عمق آب روي سرريز در بالادست به ارتفاع سرريز (h1/P) مورداستفاده قرار گرفت. در چهار مرحله به‌ترتيب 66، 70، 75 و 80 درصد داده‌هاي آزمايشگاهي براي آموزش و مابقي آن‌ها در هر مرحله جهت آزمون استفاده گرديد. براساس يافته­ها در هر دو روش، بهترين نتيجه زماني حاصل مي‌شود كه از 80 درصد داده‌ها براي آموزش و 20 درصد داده‌ها براي آزمون استفاده ‌شود. از سوئي ديگر روش نزديك‌ترين همسايگي در مقايسه با رگرسيون بردار پشتيبان از توانمندي بيشتري در مدل‌سازي ضريب دبي سرريز كرامپ برخوردار بوده و نسبت (h1/P) تأثير مهمي در تخمين ضريب دبي سرريز كرامپ داشته و قادر است با دقت نسبتاً بالايي ضريب دبي سرريز را مدل‌سازي نمايد. همچنين نتايج نشان داد با كاربرد تركيب ورودي شامل پارامترهاي h1/P, Sup, Sdo، روش­هاي رگرسيون بردار پشتيبان و نزديك‌ترين همسايگي به‌ترتيب با ﺑﺎ ﺿﺮاﯾﺐ ﻫﻤﺒﺴﺘﮕﯽ 0/969 و 0/987 بيشترين دقت را از خود نشان دادند.

Crump weir is classified as a short-edged weir. The upstream slope of this weir is greater than its downstream slope, which allows easy discharging of the sediments. In this research, the performance of k-nearest neighborhood and support vector regression (SVR) methods were investigated for modelling crump weir discharge coefficient using experimental data. 174 data sets in 9 combinations of the input parameters including the upstream and downstream slopes (Sup, Sdo), Reynolds number (Re) and water head in upstream to weir height ratio (h1/P) were used for modelling the discharge coefficient. The training was done in four stages using 66, 70, 75 and 80 percent of experimental data and the rest of these data at each stage were applied for the test phase. According to the results, the highest accuracy for the both applied models was obtained using 80% of the data in the training and the rest 20% in the test phases. Also, this investigation showed that the nearest neighborhood method presented a more accurate result than SVR method. Furthermore, water head in upstream to weir head height ratio (h1/P) had a significant role in modeling crump weir discharge coefficient. This ratio was the only parameter which could be used for predicting the coefficient accurately. Finally, this work showed that input combination including h1/P, Sup, Sdo parameters gave the best outcome. Both the Nearest Neighborhood and Support Vector Regression methods with coefficient of determination values of0.987 and 0.969 respectively, provided accurate predictions.