ارزیابی عملکرد روش‌‌های داده کاوی مختلف در تعیین پروفیل عمقی سرعت در پرش هیدرولیکی مستغرق

توزیع عمقی سرعت در پرش هیدرولیکی به دلیل پیچیدگی های اندازه گیری و محاسباتی به عنوان یکی از موضوع های مهم و در حال بررسی میان پژوهشگران مطرح می باشد. در این تحقیق، عملکرد مدل های هوشمند gep و svm در تعیین توزیع عمقی سرعت در پرش هیدرولیکی مستغرق در پایین دست دریچه کشویی مورد بررسی قرار گرفت. بدین منظور از 312 داده آزمایشگاهی استفاده شده است. با استفاده از تحلیل ابعادی پارامترهای بی بعد ورودی به مدل های هوشمند شامل عدد فرود بالادست (fr1)، عدد فرود پایاب (fr3)، نسبت عمق بالادست دریچه به عمق پایاب (y1/y3 )، نسبت بازشدگی دریچه به عرض کانال (w/b ) و نسبت عمق اندازه گیری به عرض کانال (z/b ) معین شدند. با استفاده از آزمون گاما، استفاده از هر پنج پارامتر بی بعد به عنوان بهترین ترکیب برای پیش بینی توزیع عمقی سرعت تعیین شد. داده های آزمایشگاهی اندازه گیری شده نرمال سازی شدند. از بین دو کلاس طبقه بندی nu-svm و c-svm، الگوریتم اول به ازای مقدار پارامترهای تنظیمی γ و nu به ترتیب برابر با 1.2 و 0.486 با تابع کرنل از نوع rbf به عنوان الگوریتم برتر برای svm انتخاب شد. عملکرد مدل های هوشمند nu-svm  و gep با استفاده از شاخص های آماری مورد ارزیابی قرار گرفت. نتایج نشان داد که مقدار شاخص های (rmse, r2, ) در فرآیند آزمون برای الگوریتم های nu-svm و gep به ترتیب (0.4489، 0.9770، 0.09588) و (0.3588، 0.9718، 0.1161) هستند که نشان از برتری الگوریتم nu-svm دارد. همچنین طبق آزمون گاما، ترتیب تاثیرگذاری پارامترهای بی بعد موثر بر روی پروفیل عمقی سرعت به صورتfr3,w/b,fr1,z/b وy1/y3  به دست آمد.

performance assessment of various data-mining methods to determine depth velocity profile at submerged hydraulic jump

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 .