|
|
|
|
شبیه‌سازی روزنه‌های جانبی مستطیلی و دایروی توسط ماشین آموزش نیرومند
|
|
|
|
|
|
|
|
نویسنده
|
شعبانلو سعید ,شرفی حسن ,حیدری مجید ,کاردار سعید
|
|
منبع
|
مهندسي عمران شريف - 1399 - دوره : 36-2 - شماره : 2/2 - صفحه:93 -103
|
|
چکیده
|
در مطالعه‌ی حاضر، با استفاده از ماشین آموزش نیرومند، ضریب دبی روزنه‌های جانبی مستطیلی و دایروی تخمین زده شده است. برای ارزیابی دقت مدل‌سازی از شبیه‌سازی‌ها مونت‌کارلو و جهت صحت‌سنجی از روش اعتبارسنجی چندلایه برای k=5 استفاده شده است. ابتدا بهینه‌ترین تعداد نرون‌های لایه‌ی مخفی مساوی 30 انتخاب شده است. همچنین نتایج کلیه‌ی توابع فعال‌سازی مدل ماشین آموزش نیرومند بررسی و تابع فعال‌سازی sigmoid برای شبیه‌سازی انتخاب شده است. سپس، توسط پارامترهای ورودی، 2 ترکیب مدل‌سازی و 5 مدل ماشین آموزش نیرومند توسعه داده شده است. تجزیه و تحلیل نتایج مدل‌سازی‌ها نشان داد مدلی که شامل پارامتر ضریب شکل بود، دقت بیشتری داشته است. به‌عنوان مثال، مقادیر r و mape برای مدل مذکور به ترتیب مساوی با 0٫990 و 0٫223 تخمین زده شده است. نتایج مدل برتر با روابط تجربی نیز مقایسه و نشان داده شد که مدل اخیر، دقت بیشتری داشته است. همچنین برای کلیه‌ی پارامترهای ورودی، تحلیل حساسیت مشتق نسبی اجرا شده است.
|
|
کلیدواژه
|
روزنه‌ی جانبی، ضریب دبی، تحلیل حساسیت مشتق نسبی، اعتبارسنجی چندلایه، شبیه‌سازی مونت‌کارلو
|
|
آدرس
|
دانشگاه آزاد اسلامی واحد کرمانشاه, گروه مهندسی آب, ایران, دانشگاه رازی کرمانشاه, گروه مهندسی عمران, ایران, دانشگاه بوعلی سینا همدان, گروه علوم و مهندسی آب, ایران, دانشگاه آزاد اسلامی واحد علوم و تحقیقات, گروه معماری, ایران
|
|
پست الکترونیکی
|
saeid.kardar@gmail.com
|
|
|
|
|
|
|
|
|
|
|
|
|
|
SIMULATION OF RECTANGULAR AND CIRCULAR SIDE ORIFICES USING EXTREME LEARNING MACHINE
|
|
|
|
|
Authors
|
Shabanlou S. ,Sharafi H. ,Heydari M. ,Kardar S.
|
|
Abstract
|
In this study, the discharge coefficient of rectangular and circular side orifices was estimated using the extreme learning machine method. Furthermore, in this study for evaluating the ability of different ELM models the Monte Carlo simulations are used. The Monte Carlo simulation is a comprehensive classification of computational algorithms which uses the random sampling procedure for calculating numerical results. The main idea of this method is based on solving problems which might be actual in nature using random decisionmaking processes. The Monte Carlo methods are usually used for simulating physical and mathematical systems not solvable with other methods. The Monte Carlo simulation is generally used by probability distribution to solve various problems such as numerical optimization and numerical integration. The kfold cross validation method is also used for examining the performance of the above models. In this method, the main sample is randomly divided into k subsamples with the same size. Among k subsamples, a subsample is used as the validation data and the remaining as the test data of the model. Then, the validation process repeats k times (equal to the number of layers) and each of k subsamples is used exactly once as validation data. In this study, the experimental values obtained by Hussein et al. (2010) and Hussein et al. (2011) are used for validating the results of the numerical models. Their experimental model consisted of a rectangular channel with the length, the width and the height of 9.15m, 0.5m and 0.6m, respectively. They installed the circular and rectangular orifices at a distance of 5m from the inlet of the main channel on the side wall. In the next stage, the most optimized number of hidden neurons was chosen equal to 30 and the results of all activation functions of the extreme learning machine were examined and the sigmoid activation function is selected for simulating the discharge coefficient. Subsequently, two modeling combinations were introduced using the input parameters as well as five different extreme learning machine models were developed. The analysis of the modeling results showed that the model with the shape coefficient has more accuracy. The superior model is a function of all input parameters and reasonably estimates values of the discharge coefficient. For example, the values of R and MAPE for this model are estimated 0.990 and 0.223, respectively. The results of the superior model were also compared with the empirical equations and it was shown that this model has more accuracy. Also, the partial derivative sensitivity analysis (PDSA) was run for all input parameters.
|
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|