کاربرد محاسبات نرم در افزایش دقت پیش‌بینی ضریب دبی جریان سرریزهای جانبی مستطیلی

به دلیل نقش ضریب دبی جریان در ظرفیت گذردهی سرریزها، پیش بینی دقیق آن از اهمیت ویژه ای برخوردار است. در این پژوهش از دو الگوریتم gep و svm برای شبیه سازی ضریب دبی در سرریز جانبی مستطیلی نصب شده در کانال اصلی مستطیلی (سناریوی اول) و ذوزنقه ای (سناریوی دوم) استفاده شده است. ابتدا پارامترهای موثر بر cd شامل عدد فرود بالادست (fr1)، عمق آب بالادست (h1 یا yo)، ارتفاع سرریز (p یا w)، طول سرریز جانبی (l)، عرض کانال اصلی (b) و شیب جانبی دیواره کانال اصلی (z) شناسایی شدند. سپس به کمک تحلیل ابعادی، چهار پارامتر بی بعد fr1، ،    و  در سناریوی اول و سه پارامتر بی بعد 1fr، z و  در سناریوی دوم استخراج شدند. نتیجه های دو الگوریتم با نتیجه های معادله های تجربی و رگرسیونی به کمک شاخص های مجذور میانگین مربعات خطا (rmse)، ضریب تبیین (2r)، خطای نسبی (re) و نسبت تفاوت توسعه داده شده استاندارد شده (zddr) مقایسه شدند. مقدار (rmse، 2r، re، zddr) در فاز آزمون برای سناریوی اول در الگوریتم های gep و svm به ترتیب (0.036، 0.962، 7.76، 5.48) و (0.037، 0.952، 9.6، 3.8) و برای معادله ی رگرسیونی کلاسیک برتر (0.040، 0.912، 4.527، 2.439)  محاسبه شدند. در سناریوی دوم نیز مقدارهای متناظر برای الگوریتم های gep و svm به ترتیب (0.0676، 0.992، 3.1، 1.14) و (0.043، 0.934، 10.3، 0.71) و برای معادله ی رگرسیونی (0.068، 0.818، 11.9، 0.511) محاسبه شدند. نتیجه ی پژوهش نشان دهنده ی برتری الگوریتم های هوشمند نسبت به روش های کلاسیک و همچنین برتری الگوریتم gep نسبت به svm بود.

Soft Computing Application to Amplify Discharge Coefficient Prediction in Side Rectangular Weirs

It’s valuable to predict accurately the discharge coefficient due to its direct role in the determination of the weirs passing capacity. This study was carried out using intelligent GEP and SVM algorithms based on laboratory datasets to simulate the discharge coefficient of the rectangular side weir installed in a rectangular (the first scenario) and a trapezoidal main channel (the second scenario). The most effective parameters were determined as upstream Froud number (Fr1), upstream flow depth (h1 or yo), weir height (P or W), side weir length (L), main canal width (b), sidewall slope (Z). Dimensionless parameters were extracted as (Fr1, , , ) and (Fr1, Z, ) for the first and the second scenarios, respectively. The outputs of the two algorithms were compared with experimental and regression equations using statistical indices as root mean square error (RMSE), deterministic coefficient (R2), relative error (RE), and standardized developed discrepancy ratio (ZDDR). The values of (RMSE, R2, RE, ZDDR) during the test phase for the first scenario for GEP and SVM were calculated as (0.036, 0.962, 7.76, 5.48) and (0.037, 0.952, 9.6, 3.8) and those of the superior regression model were (0.040, 0.912, 4.527, 2.439), respectively. The corresponding values in the second scenario for GEP, SVM and regression model were obtained (0.068, 0.992, 3.1, 1.14), (0.043, 0.934, 10.3, 0.71) and (0.068, 0.818, 11.9, 0.511), respectively. The results showed the superiority of intelligent algorithm over classical regression, and also the GEP to the SVM.