ارزيابي عملكرد مدل‌هاي مبتني بر يادگيري ماشين در برآورد حداكثر عمق آبشستگي اطراف دماغه آبشكن نوع باندال لايك

در تحقيق حاضر عملكرد روش‌هاي مبتني بر يادگيري ماشين به منظور پيش‌بيني حداكثر عمق آبشستگي اطراف آبشكن نوع باندال لايك مورد ارزيابي قرار گرفت. براي اين منظور سه روش مدل جنگل‌هاي تصادفي (RF)، ماشين بردار پشتيبان (SVM) و روش برنامه‌ريزي بيان ژن (GEP) مورد استفاده قرار گرفت. به منظور آموزش و آزمايش مدل‌ها از 108 سري اطلاعات (87 سري براي آموزش و 21 سري براي تست) مستخرج از نتايج يك تحقيق آزمايشگاهي استفاده شد. مدل‌ها با تركيب‌هاي متفاوتي (تك متغيره، دو متغيره، سه متغيره و چهار متغيره) از ورودي‌ها (Fr: عدد فرود جريان، S/L: نسبت فاصله به طول آبشكن،θ: زاويه نصب آبشكن نسبت به ساحل و α:  تخلخل قسمت نفوذپذير سازه) مورد ارزيابي قرار گرفتند. نتايج حاصل نشان داد براي تمامي روش‌ها در حالت ورودي تك متغيره، بيشترين و كمترين تاثير به ترتيب مربوط به پارامترهاي α و S/L بودند. در مدل SVM با افزايش تعداد ورودي‌ها از تك متغيره به دومتغيره ميانگين شاخص MAE تقريبا 2 برابر افزايش يافت. در مدل GEP نيز افزايش تعداد ورودي‌ها از سه متغيره به 4 متغيره ميانگين شاخص MAE تقريبا 3.5 برابر افزايش يافت. ولي در روش RF افزايش تعداد ورودي‌ها منجر به افزايش دقت مدل شد و متوسط شاخص MAE در حالت 4 متغيره نسبت به سه متغيره 83 درصد كاهش يافت. در نهايت مشخص شد روش RF در برآورد عمق آبشستگي اطراف آبشكن نوع باندال لايك از عملكرد بسيار بهتري (0.006= RMSEو 0.009=MAE) نسبت به ساير روش‌ها برخوردار بوده و اين مدل با ورودي‌هاي يكسان از پراكنش خطاي كمتري برخوردار بود.