تخمین ضریب دبی دریچه‌های کشویی در شرایط جریان مستغرق با بهره‌گیری از فنون محاسبات نرم

تخمین ضریب دبی دریچه‌های کشویی در شرایط جریان آزاد و مستغرق همواره یکی از موضوعات مورد علاقه محققین هیدرولیک بوده است. در سال‌های اخیر روابط نیمه تجربی مختلفی به‌منظور تخمین ضریب دبی دریچه‌های کشویی در شرایط جریان مستغرق ارائه شده که کاربرد این روابط اغلب با خطاهای بزرگی همراه بوده است. هدف از پژوهش حاضر استفاده از روش‌های رگرسیون فرایند گاوسی (gpr) و ماشین بردار پشتیبان (svm) به عنوان فنون محاسبات نرم به‌منظور تخمین ضریب دبی دریچه‌های کشویی در شرایط جریان مستغرق و مقایسه نتایج حاصل با روش‌های نیمه تجربی بوده است. بدین منظور، با به‌کارگیری تعداد 122 دادة آزمایشگاهی، مدل‌های مختلفی بر اساس ترکیب پارامترهای بدون بعد تعریف ‌شده و دقت این مدل‌ها مورد ارزیابی قرار گرفت. نتایج حاصل کارایی بالای روش‌های هوش مصنوعی را نسبت به روش‌های تجربی به‌خوبی نشان داد. به راستی، بررسی مدل‌های مختلف نشان داد که تکنیک ماشین بردار پشتیبان به همراه پارامترهای ورودی 𝑦𝑡/𝑤و 𝑦./𝑤و 1/𝐹𝑟2و s با دارا بودن مقادیر rmse=0.017 ، r=0.97 و nse=0.95 عملکرد بهتری نسبت به تکنیک رگرسیون فرایند گاوسی و سایر روش‌های نیمه تجربی در تخمین ضریب دبی دریچه‌های کشویی در شرایط جریان مستغرق دارا می‌باشد.

on the prediction of discharge coefficient for sluice gates under submerged flow conditions using soft computing techniques

prediction of flow discharge coefficient, cd, for a sluice gate under free and submerged flow conditions is one of the essential issues in hydraulics. in recent years, various semi-empirical equations have been developed in order to predict cd for a sluice gate that application of those formulas under submerged flow conditions suffered from large errors. the aim of the present research is to use gaussian process regression (gpr) and support vector machine (svm) used in soft computing techniques, so that estimating cd in submerged flow conditions and comparing the results with quasi-experimental methods are of interest, herein. for this purpose, an experimental dataset comprised of 122 data points were used to feed the methods utilized. different combinations of dimensionless parameters were then prepared and the performance of the afore mentioned methods were assessed. the results showed that svm with input parameters of 𝑦𝑡⁄𝑤, 𝑦0⁄𝑤, 1/𝐹𝑟2 and s by the values of root mean square error (rmse=0.017), correlation coefficient (r=0.97) and nash-sutcliffe equivalent (nse=0.95) had a better performance than gpr and other semi-empirical approaches, indeed.