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

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 3.74 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 2.557 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.

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

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.