عملکرد روش های ماشین بردار پشتیبان، جنگل تصادفی و gmdh در پیش بینی دبی جریان از دریچه‌های فلپ مستطیل شکل

نصب و ایجاد سازه‌های مناسب اندازه‌گیری جریان، بهره‌برداری صحیح از آنها و جمع‌آوری اطلاعات مربوط به مصرف آب، نقشی اساسی در قدرت تصمیم‌گیری برای مدیران شبکه، عدالت در توزیع و انتقال آب و در نهایت صرفه‌جویی در مصرف آب دارد. یکی از تجهیزات ساده و ارزان برای کنترل خودکار و همچنین اندازه‌گیری جریان، دریچه‌های فلپ یا آویخته است. در این پژوهش از نتایج آزمایشگاهی به دست آمده از سازه دریچه‌ی مستطیلی لولای شکل که با قرار دادن در کانال مطابق با مشخصات هیدرولیکی و هندسی منجر به اندازه‌گیری دبی جریان میشود، جهت توسعه مدل های یادگیری ماشین مورد استفاده قرار گرفت. به منظور برآورد دبی جریان در این نوع از کانال ها از مدل‌های شامل دسته‌بندی گروهی داده‌ها (gmdh)، ماشین بردار پشتیبان (svm) و جنگل تصادفی (rf) استفاده گردید. بدین جهت از پارامترهای نظیر عمق آب، عرض کانال همچنین عرض، طول، ضخامت و وزن دریچه به‌عنوان متغیرهای ورودی و دبی جریان به‌عنوان متغیر خروجی (پاسخ) به مدلسازی در نظر گرفته شد. نتایج نشان داد که مقدار آماره ریشه میانگین مربعات خطا (rmse) برای مدل‌های مبتنی بر gmdh، svm و rf به‌ترتیب، 0.024، 0.011 و 0.041 و مقدار آماره ضریب تعیین (r2) به‌ترتیب، 0.981، 0.996 و 0.955 به‌دست آمد. مقایسه بین تحقیقات گذشته و نتایج حاضر حاکی از برتری عملکرد مدل مبتنی بر svm نسبت به سایر مدل‌های توسعه یافته بود با ین جود مدل gmdh به دلیل ارائه رابطه صریح بین متغیرهای ورودی خروجی می تواند در تحقیقات آینده مورد استفاده قرار گیرد. همچنین نتایج آنالیز حساسیت نشان داد، عمق آب به عرض کانال و زاویه بازشدگی دریچه به عنوان مهم ترین داده های ورو دی به مدل های یادگیری ماشین می باشند.

performance of support vector machines, random forest, and gmdh methods for predicting flow rate from rectangular flap gates

installation and establishment of appropriate flow measurement structures, their proper operation, and collection of water consumption data play a crucial role in empowering network managers' decision-making, ensuring fair water distribution and transmission, and ultimately achieving water conservation. flap or hanging gates are simple and inexpensive devices for both automatic control and flow measurement. in this research, the laboratory results obtained from a rectangular hinged gate structure, which is placed in a channel according to hydraulic and geometric specifications and leads to flow rate measurement, were used to develop machine learning models. to estimate the flow rate in this type of channel, models including group method of data handling (gmdh), support vector machines (svm), and random forest (rf) were employed. to this end, parameters such as water depth, channel width and gate width, length, thickness, and weight were considered as input variables, and flow rate as the output (response) variable for modeling. the results showed that the root mean square error (rmse) values for gmdh-, svm-, and rf-based models were 0.024, 0.011, and 0.041, respectively, and the coefficient of determination (r2) values were 0.981, 0.996, and 0.955, respectively. a comparison between past research and the present results indicated the superiority of the svm-based model over the other developed models. water depth to channel width was identified as the most significant input data for the developed models