بررسی عملکرد ماشین‌های یادگیری در تخمین ضریب دبی آبگذری آبگیرهای کفی با روزنه دایره‌ای

نویسندگان

1 دانشجوی کارشناس ارشد مهندسی آب و سازه هیدرولیکی، دانشکده مهندسی عمران، دانشگاه سمنان، سمنان، ایران

2 استادیار گروه مهندسی عمران- مهندسی آب و سازه های هیدرولیکی، دانشکده مهندسی عمران، دانشگاه سمنان

3 دانشیار، گروه مهندسی آب و سازه‌های هیدرولیکی، دانشکده مهندسی عمران، دانشگاه سمنان، ایران

4 استادیار، گروه مهندسی عمران، دانشکده فنی مهندسی، دانشگاه آزاد اسلامی واحد شاهرود، شاهرود، ایران

چکیده

با توسعه فناوری و پیشرفت تکنولوژی، روش‌های هوشمند بسیاری برای تخمین ضریب آبگذری سازه‌های هیدرولیکی مختلف پدید آمده است. یکی از سازه‌هایی که در نیروگاه‌های برقابی کاربرد دارد، سازه آبگیر کفی است. وظیفه این سازه، انتقال جریان به کانال جمع‌آوری است. از مزیت‌های این سازه می‌توان به پایداری آن‌ها در برابر بارهای دینامیکی و استاتیکی به دلیل قرارگیری این سازه‌ها در پایین‌ترین تراز اشاره کرد. در پژوهش حاضر، چهار الگوریتم هوشمند توانمند ماشین یادگیری مضاعف (ELM)، شبکه‌های عصبی رگرسیون عمومی (GRNN)، مدل رگرسیون خود تطبیق شونده (MARS) و مدل درخت M5 در مدل‌سازی ضریب آبگذری آبگیر کفی مورد ارزیابی قرار گرفته است. نتایج مدل‌سازی نشان داد که الگوریتم ELM در هر دو دوره آموزش (70 درصد داده‌ها) و آزمون (30 درصد داده‌ها) از دقت بیشتری نسبت به سایر الگوریتم‌های بررسی شده برخوردار است. به طوری که ضریب R2 برای الگوریتم مذکور تا 74/3 درصد بیشتر از دیگر الگوریتم‌های استفاده شده بود. همچنین معیار DDR و هیستوگرام خطای مدل‌سازی بیانگر برتری الگوریتم ELM  بود. در نهایت نیز سرعت محاسبه‌ الگوریتم‌های به کاربرده شده مورد مقایسه قرار گرفت که الگوریتم ELM تا 557/2 برابر سریع‌تر از سایر الگوریتم‌ها بود. بنابراین، الگوریتم ELM به دلیل دقت خوب و در عین حال سرعت زیاد، دارای پتانسیل بالا جهت مدل‌سازی ضریب آبگذری سرریز‌ها است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

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

نویسندگان [English]

  • Ali Mirnoorollahi 1
  • hojat karami 2
  • Saeed farzin 3
  • Mojtaba Ameri 4
1 M.Sc Student of Water Engineering and Hydraulic Structures, Faculty of Civil Engineering, Semnan University
2 Assistant Professor, Department of Civil Engineering, Semnan University, Semnan, Iran
4 Assistant Professor, Department of Civil Engineering, Faculty of Technical and Engineering, Islamic Azad University- Shahrood Branch, Shahrood, Iran.
چکیده [English]

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.

کلیدواژه‌ها [English]

  • KEY WORDS: Intelligent Algorithms
  • Extreme learning machine
  • Circular Bottom Intake
  • Discharge coefficient
  • Circular Orifice
ظهیری، ع. 1394. استخراج رابطه‌ ضریب دبی در سرریزهای قوسی به کمک روش برنامه‌ریزی ژنتیک. نشریه آبیاری و زهکشی ایران، شماره 2، جلد 9، ص 323-334.
فرودی­خور، ع.، م. صانعی، و م. اژدری مقدم. 1396. مقایسه سامانه استنتاج فازی-عصبی تطبیقی (ANFIS) و سامانه ماشین بردار پشتیبان (SVM) درتخمین میزان ضریب دبی سرریزهای لبه­تیز. نشریه آبیاری و زهکشی ایران، شماره 5، جلد 11، ص 772-784.
                                         
Abdullah, S.S., Malek, M.A., Abdullah, N.S., Kisi, O. and Yap, K.S. 2015. Extreme learning machines: a new approach for prediction of reference evapotranspiration. Journal of Hydrology, 527: 184-195.
 
Aghamajidi, R. and Heydari, M.M. 2014. Simulation of Flow on Bottom Turn out Structures with Flow 3D. Bull. Env. Pharmacol. Life Sci, 3(3): 173-181.
 
Azamathulla, H.M., Haghiabi, A.H. and Parsaie, A. 2016. Prediction of side weir discharge coefficient by support vector machine technique. Water Science and Technology: Water Supply, 16(4):1002-1016.
 
Bina, K. 2018. Using dividing discharge streamline concept for estimating diverted discharge in mesh-panel bottom racks. Flow Measurement and Instrumentation, 61 38-48.
 
Bina, K. and Saghi, H. 2017. Experimental study of discharge coefficient and trapping ratio in mesh-panel bottom rack for sediment and non-sediment flow and supercritical approaching conditions. Experimental Thermal and Fluid Science, 88: 171-186.
 
Bouvard. M. 1992. Mobile barrages and intakes on sediment transporting rivers, IAHR Monograph, Balkema, Rotterdam, The Netherlands.
 
Brunella, M.2003. Subharmonic variation of the leafwise Poincaré metric. Inventiones mathematicae, 152(1): 119-148.
 
Castillo, L., García, J. and Carrillo, J. 2017. Influence of rack slope and approaching conditions in bottom intake systems. Water, 9(1): 65.
 
Castillo, L.G., Carrillo, J.M. and García, J.T. 2013, September. Flow and sediment transport through bottom racks. CFD application and verification with experimental measurements. In Proceedings of the 35th IAHR Congress, Chengdu, China: 8-13.
 
Chang, L., Chan, S.N. and Lee, J.H. 2018. 3D Numerical Modeling of a Supercritical Intake with a Flow Diversion Barrier.
 
De Andrés, J., Lorca, P., de Cos Juez, F.J. and Sánchez-Lasheras, F. 2011. Bankruptcy forecasting: A hybrid approach using Fuzzy c-means clustering and Multivariate Adaptive Regression Splines (MARS). Expert Systems with Applications, 38(3): 1866-1875.
 
Emiroglu, M.E., Bilhan, O. and Kisi, O. 2011. Neural networks for estimation of discharge capacity of triangular labyrinth side-weir located on a straight channel. Expert Systems with Applications, 38(1): 867-874.
 
Feng, Y., Cui, N., Zhao, L., Hu, X. and Gong, D. 2016. Comparison of ELM, GANN, WNN and empirical models for estimating reference evapotranspiration in humid region of Southwest China. Journal of Hydrology, 536: 376-383.
 
Feng, Y., Jia, Y., Zhang, Q., Gong, D. and Cui, N., 2018. National-scale assessment of pan evaporation models across different climatic zones of China. Journal of hydrology, 564: 314-328.
Hosseini, K., Rikhtegar, S., Karami, H. and Bina, K. 2015. Application of Numerical Modeling to Assess Geometry Effect of Racks on Performance of Bottom Intakes. Arabian Journal for Science and Engineering, 40(3): 677-684.
 
Huang, G.B., Zhu, Q.Y. and Siew, C.K. 2006. Extreme learning machine: theory and applications. Neurocomputing, 70(1-3): 489-501.
 
Kamanbedast, A.A and Bejestan, M.S. 2008. Effects of slope and area opening on the discharge ratio in bottom intake structures. J. of Applied Sciences, 8(14):2631-2635.
 
Kisi, O., Emiroglu, M.E., Bilhan, O. and Guven, A. 2012. Prediction of lateral outflow over triangular labyrinth side weirs under subcritical conditions using soft computing approaches. Expert systems with Applications, 39(3): 3454-3460.
 
Kocabaş, F., Kişi, Ö. and Ardiçlioğlu, M. 2009. An artificial neural network model for the prediction of critical submergence for intake in a stratified fluid medium. Civil Engineering and Environmental Systems, 26(4): 367-375.
 
Kocabaş, F., Ünal, S. and Ünal, B. 2008. A neural network approach for prediction of critical submergence of an intake in still water and open channel flow for permeable and impermeable bottom. Computers & Fluids, 37(8):1040-1046.
 
Kumar, M. and Samui, P., 2019. Reliability Analysis of Pile Foundation Using ELM and MARS. Geotechnical and Geological Engineering, 37(4): 3447-3457.
 
Lund, S. 2005. in Department of Hydraulic and Environmental Engineering. Norwegian University of Science and Technology (N.T.N.U), Trondheim, Norway.
 
Mehri, Y., Soltani, J. and Khashehchi, M. 2019. Predicting the coefficient of discharge for piano key side weirs using GMDH and DGMDH techniques. Flow Measurement and Instrumentation, 65: 1-6.
 
Mizuyama, T and Mizuno, H. 1994. Behavior of debris flow at control structures. In Proc., IAHR Int. Workshop on Floods and Inundations Related to Large Earth Movement.
 
Nadaraya, E.A., 1964. On estimating regression. Theory of Probability & Its Applications, 9(1): 141-142.
 
Orth, J, Chardonnet, G and Meynardi, M. 1954, Etude de Grilles pour Prises d'eau duType. en-dessous, La Houille Blanche, 9(6): 343–351 (in French).
 
Quinlan, J.R., 1992, November. Learning with continuous classes. In 5th Australian joint conference on artificial intelligence, 92: 343-348.
 
Righetti, M. and Lanzoni, S. 2008. Experimental study of the flow field over bottom intake racks. Journal of Hydraulic Engineering, 134(1):15-22.
 
Salmasi, F., Yıldırım, G., Masoodi, A. and Parsamehr, P. 2013. Predicting discharge coefficient of compound broad-crested weir by using genetic programming (GP) and artificial neural network (ANN) techniques. Arabian Journal of Geosciences, 6(7): 2709-2717.
 
Shafai Bejestan, M and A, Kammanbedast. 2008. Experimental investigation of the effects of sediment on discharge coefficient at bottom intake, 2nd Int. Junior Research on Hydraulic structures, university of Pisa, Pisa, Italy.
 
Viparelli, C. 1963. Dissipatori a griglia di fondo. Energ. Elettr, 7: 509–519 (in Italian).
 
Watson, G.S., 1964. Smooth regression analysis. Sankhyā: The Indian Journal of Statistics, Series A.359-372.
 
Yaseen, Z.M., Jaafar, O., Deo, R.C., Kisi, O., Adamowski, J., Quilty, J. and El-Shafie, A., 2016. Stream-flow forecasting using extreme learning machines: A case study in a semi-arid region in Iraq. Journal of Hydrology, 542: 603-614.
 
Zaji, A.H., Bonakdari, H. and Shamshirband, S. 2016. Support vector regression for modified oblique side weirs discharge coefficient prediction. Flow Measurement and Instrumentation, 51:1-7.