پیش بینی دبی جریان در مقاطع مرکب، مقایسه روش‌های داده محور و تجربی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استاد بخش مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان، کرمان

2 دانشیار بخش مهندسی آب دانشگاه شهید باهنر کرمان. ایران.

چکیده

پیش­بینی دبی رودخانه­ها در شرایط پدیدار شدن وضعیت کانال مرکب یکی از پارامترهای مهم در مهندسی سیلاب و رودخانه­ها می­باشد. در این تحقیق با استفاده از رویکردهای داده محور از جمله شبکه عصبی مصنوعی(ANN) و ماشین­های بردار پشتیبان(کلاس بندی(SVM) و رگرسیونی(SVR)) وهمچنین روش تجربی کانال تقسیم شده بروش تقسیم بندی عمودی(DCM) دبی کانال مرکب پیش­بینی شده است. برای این هدف تعداد 150 داده آزمایشگاهی از 6 منبع علمی گرد آوری شد. این داده­ها با استفاده از روش اعتبار سنجی متقابل k-تایی به چهار دسته بیست و پنج درصدی تقسیم بندی شدند. در هر مدل­سازی در رویکردهای داده محور، آزمون مدل توسط یک دسته از داده­ها صورت گرفت.پس از میانگین گرفتن از نتایج یکسان در هر رویکرد داده محور، نتایج برتری روش SVR را نشان داد. این روش با داشتن بیشترین مقدارضریب تعیین  وضریب کارائی مدل نش ساتکلیف (NS) (بترتیب برابر با 92875/0 و898075/0 )و داشتن کمترین مقدار ریشه میانگین مجذور خطا (RMSE )و میانگین درصد خطای مطلق(MAPE ) (بترتیب برابر با ( )08435/0 و %89/23 ) و همچنین با داشتن بیشترین درصد برتری نسبی RMSE نسبت به شبکه عصبی مصنوعی در پیش بینی دبی کانال مرکب موفق­تر از دیگر روش­ها عمل کرده است.

کلیدواژه‌ها


عنوان مقاله [English]

Prediction of flow discharge in compound sections, Comparison of empricial and data driven methods

نویسندگان [English]

  • Moin Bahrampour
  • Gholam Abbas Barani 1
  • Mohammad zounemat Kerman 2
چکیده [English]

Rivers discharge prediction in condition of situation appearance of compound channel is one of the important parameters in the flood and rivers engineering.in this investigation compound channel discharge has been predicted by using data drivens such as artificial neural network and support vector machines (calissification, regression) and also empricial method of channel divided by vertical division.For this purpose collected 150 expremental data frome 6 scientific source. this data divided to four categories twenty five percent by using k fold cross validation.in each modeling in data driven approaches, model testing performed by one group of data.After averageing of the same results in each data driven approach, the results showed the superiority of the SVR method .this method  has maximom of  , NS(equal to respectively 0.92875,0.898075) and has minimum of RMSE,MAPE (equal to respectively 0.08435( ),23.89%) and also has percentage maximom of relative superiority of RMSE than artificial neural network was performed more successful than other methode in the compund channel discharge prediction.

کلیدواژه‌ها [English]

  • discharge prediction
  • Artificial Neural Network
  • divided channel
  • Support Vector Machine
  • compound sections
  • SVR
Rivers discharge prediction in condition of situation appearance of compound channel is one of the important parameters in the flood and rivers engineering.in this investigation compound channel discharge has been predicted by using data drivens such as artificial neural network and support vector machines (calissification, regression) and also empricial method of channel divided by vertical division.For this purpose collected 150 expremental data frome 6 scientific source. this data divided to four categories twenty five percent by using k fold cross validation.in each modeling in data driven approaches, model testing performed by one group of data.After averageing of the same results in each data driven approach, the results showed the superiority of the SVR method .this method  has maximom of  , NS(equal to respectively 0.92875,0.898075) and has minimum of RMSE,MAPE (equal to respectively 0.08435( ),23.89%) and also has percentage maximom of relative superiority of RMSE than artificial neural network was performed more successful than other methode in the compund channel discharge prediction.