Performance Assessment of Various Data-Mining Methods to Determine Depth Velocity Profile at Submerged Hydraulic Jump

Authors

1 Assistant Professor, Department of Civil Engineering, Faculty of Engineering, University of Maragheh, Maragheh, Iran.

2 Department of Civil Engineering, Ramhormoz Branch, Islamic Azad University, Ramhormoz,, Iran,

Abstract

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 .

Keywords

Main Subjects

References

پورعبدالله، ن.، حیدرپور، م.، عابدی­کوپایی، ج. و ج. محمدزاده­هابیلی. 1399. اثر شیب منفی، زبری بستر و پله انتهایی بر پروفیل سرعت و نوسانات فشار پرش هیدرولیکی. مجله علوم و مهندسی آبیاری، دوره چهل و سه، شماره 1، ص 188-173.
 پورعبدالله، ن.، هنر، ت. و ر. فتاحی. 1394. بررسی پروفیل سطح آب و سرعت در پرش هیدرولیکی بر روی بستر زبر با شیب معکوس. نشریه دانش آب  و خاک، جلد یبست و پنج، شماره 1، ص 152-143.
تبریزی، ر. و س.م. ثاقبیان. 1398. بررسی مقایسه­ای پارامترهای هیدرولیکی تاثیرگذار بر مشخصات پرش هیدرولیکی در کانال­های با مقاطع مرکب با استفاده از روش مبتنی بر کرنل SVM. نشریه آبیاری و زهکشی ایران، شماره چهار، جلد 13، ص 997-987.
روشنگر، ک. و ر. ولی­زاده. 1396. تخمین مشخصات هیدرولیکی کانال­های واگرای مستهلک کننده انرژی با استفاده از روش ماشین بردار پشتیبان. نشریه علوم آب و خاک (علوم و فنون کشاورزی و منابع طبیعی)، سال بیست و یک، شماره 2، ص 219-205.
شریفی­گرم­دره، ا.، وفاه­خواه، م. و س.س. اسلامیان. 1398. ارزیابی کارایی سامانه­های ماشین بردار پشتیبان و شبکه عصبی مصنوعی در تحلیل منطقه­ای سیلاب(مطالعه موردی: حوضه آبخیز دریاچه نمک). نشریه علوم آب و خاک، سال بیست و سه، شماره 1، ص 366-351.
عباسپور، ا. 1393. پیش­بینی مشخصات پرش هیدرولیکی بر روی بستر زبر با استفاده از شبکه عصبی مصنوعی و برنامه­ریزی ژنتیک. نشریه دانش آب و خاک، جلد بیست و چهار، شماره 2، ص 10-1.
عباسپور، ا.، ع. حسین­زاده دلیر، د. فرسادی­زاده و ع.ا. صدرالدینی. 1388. تاثیر بستر موج­دار سینوسی بر خصوصیات پرش هیدرولیکی. مجله دانش اب و خاک، جلد نوزده، شماره 1، ص 26-13.
علیزاده، ا.، ف. یوسفوند و ا. رجبی. 1398. مدلسازی طول پرش هیدرولیکی بر روی بسترهای زبر شیبدار با استفاده از سیستم استنباط فازی عصبی تطبیقی-الگوریتم ژنتیک. نشریه دانش آب و خاک، جلد بیست و نه، شماره 4، ص 201-189.
غزالی، م.، صمدی­بروجنی، ح.، قربانی، ب. و ا. رحمتی. 1391. مطالعه آزمایشگاهی پروفیل سرعت در طول پرش هیدرولیکی بر روی بستر با زبری­های مثلثی. مجله مهندسی آبیاری و آب، سال دو، شماره 8، ص 128-117.
فرزین، س. و م. ولیخان. 1399. بهبود عملکرد ماشین‌های یادگیری در تخمین و پیش‌بینی ضریب آبگذری سرریز. مجله آبیاری و آب ایران، دوره یازده، شماره 1، ص 13-1.
فولادی­پناه، م.، م. ماجدی­اصل و آ. حق­گویی. 1399. کاربرد الگوریتم­های هوشمند برای مدلسازی رابطه دبی-اشل در شرایط استغراق سرریزهای کنگره­ای و خطی. نشریه هیدرولیک، دوره پانزده، شماره 2، ص 164-151.
ماجدی­اصل، م. و م. فولادی­پناه. 1397. کاربرد روش­های تکاملی در تعیین ضریب دبی سرریزهای کنگره­ای مثلثی. نشریه علوم آب و خاک، دوره بیست و دو، شماره 4، ص 290-279. 
نیک­پور، م.ر. و س. محمودی­بابلان. 1397. مقایسه­ی کارآیی مدل‌های هوشمند در روندیابی جریان روزانه­ی رودخانه (مطالعه­ی موردی: رودخانه بالخلوچای، استان اردبیل). مجله آبیاری و آب ایران، دوره هشت، شماره 4، ص 78-64.
هنر، ت. و س. پورحمزه. 1391. کاربرد شبکه عصبی مصنوعی در برآورد مشخصات پرش هیدرولیکی درحوضچه آرامش با دیواره همگرا و شیب کف منفی. نشریه هیدرولیک، سال هفت، شماره 1، ص 91-83.
هوشیاری­پور، ف.، دهقان، م. و س.ح. مهاجری. 1398. بررسی تاثیر زاویه واگرایی حوضچه آرامش و موقعیت آب پایه بر خصوصیات پرش هیدرولیکی با مدلسازی عددی. مجله مهندسی عمران و محیط زیست امیرکبیر، سال پنجاه و یک، شماره 1، ص 98-85.
Bijankhan, M., S. Kouchakzadeh and G. Belaud. 2017. Application of the submerged experimental velocity profiles for the sluice gate's stage-discharge relationship. Flow Measurement and Instrumentation, 54: 97-108.
Gu, S., Bo F., M. Luo, E. Kazemi, Y. Zhang and J. Wei. 2019. SPH Simulation of Hydraulic Jump on Corrugated Riverbeds. Applied science, 9(436): 1-18.
Houichi, L., N. Dechemi, S. Heddam and B. Achour. 2013. An evaluation of ANN methods for estimating the lengths of hydraulic jumps in U-shaped channel. Journal of Hydroinformatics, 15(1): 147-154.
 Jesudhas, V., V. Roussinova, R. Balachandar and R. Barron. 2017. Submerged Hydraulic Jump Study Using DES. Journal of hydraulic engineering, 143(3): 1-11.
Naseri, M. and F. Othman. 2012. Determination of the length of hydraulic jumps using artificial neural networks. Advances in Engineering Software, 48: 27-31.
Noori, R., A. Khakpour, B. Omidvar, and A. Farokhnia. (2010). Comparison of ANN and principal component analysis-multivariate linear regression models for predicting the river flow based on developed discrepancy ratio statistic. Expert Systems with Applications, 37: 5856-5862.
Noori, R., A.R. Karbassi, A. Moghaddamnia, D. Han, M.H. Zokaei-Ashtiani, A. Farokhnia and M. Ghafari. 2011. Assessment of input variables determination on the SVM model performance using PCA, Gamma test and forward selection techniques for monthly stream flow prediction. Journal of Hydrology 401(3-4): 177-189.
Rajaratnam, N. and K. Subramanya. 1967. Flow immediately below a submerged sluice gate, Journal of Hydraulic Division, 93 (HY4): 57–77.
Saghebian, S.M. and D. Dragomir-Stanciu. 2019. Hydraulic jump energy dissipation evaluation in rough bed channels via kernel-based approach. 2nd Cilicia International Symposium on Engineering and Technology, 10-12 October, Mersin, Turkey.
Vapnik. V. (1995). The Nature of Statistical Learning Theory. Springer-Verlag. New York. 187P.

Files

Share

How to cite

Statistics