پیش‌بینی عمق آبشستگی در مجاورت سرریزهای سنگی با استفاده از ساختار تعمیم‌یافته روش گروه دسته‌بندی داده‌ها

در این مطالعه، الگوی آبشستگی در مجاورت سرریزهای سنگی با شکل‌های i، u و j درون کانال‌های خم توسط یک روش هوش مصنوعی نوین تحت عنوان ساختار تعمیم‌یافته روش گروه دسته‌بندی داده‌ها(gsgmdh) شبیه‌سازی شد. در مقایسه با روش(gmdh) گروه دسته‌بندی داده‌ها روش gsgmdh یک روش منعطف‌تر و دقیق‌تر است که در آن گره‌ها میتوانند از لایه‌های غیرهمجوار ورودی بگیرند. در ابتدا، کلیه پارامترهای موثر بر روی عمق آبشستگی در مجاورت سرریزهای سنگی شناسایی گردید و سپس با استفاده از این پارامترها، برای هر یک از روش‌های gmdh و gsgmdh شش مدل مختلف تعریف گردید. با تجزیه و تحلیل نتایج مدل‌های هوش مصنوعی مدلهای برتر معرفی گردید. مدل‌های برتر gmdh و gsgmdh مقادیر آبشستگی‌ها را بر حسب کلیه پارامترهای ورودی تخمین زدند. علاوه بر این، دقت مدل‌های gsgmdh از مدل‌های gmdh بیشتر بود. به‌عنوان مثال، برای مدل‌های برتر gmdh و gsgmdh مقدار شاخص عملکرد در وضعیت تست به‌ترتیب مساوی با 73.075 و 86.408 محاسبه شدند. همچنین، مدل برتر مقادیر تابع هدف را با دقت خوبی پیش‌بینی نمود. به‌عنوان مثال، مقادیر ضریب همبستگی (r)، شاخص پراکندگی(si) و ضریب نش (nsc) برای مدل برتر gsgmdh در شرایط آموزش به‌ترتیب مساوی با 0.913، 0.214 و 0.800 تخمین زده شدند. با توجه به نتایج تحلیل حساسیت، پارامترهای پارامترهای ضریب شکل سرریزهای سنگی (φ)، نسبت اختلاف عمق جریان در بالادست و پائین‌دست تله سنگی برابر به ارتفاع سازه (y/hstδ) و عدد فرود تراکمی (fd) به‌عنوان موثرترین پارامترهای ورودی معرفی گردیدند. تحلیل عدم قطعیت نشان داد که مدل gsgmdh برتر دارای یک عملکرد کمتر از واقعی بود.

Prediction of Scour around Cross-Vane Structures using Generalized Structure of Group Method of Data Handling

In this study, the scour pattern in the vicinity of crossvane structures with I, U and J shapes in bending channels is simulated by a new artificial intelligence method called &generalized structures group method of data handling” (GSGMDH). Initially, all the parameters affecting the scour depth in the vicinity of crossvane structures are identified and then using these parameters, six different models are defined for each of the GMDH and GSGMDH methods. By analyzing the results yielded by the artificial intelligence models, the superior models are introduced. The GMDH and GSGMDH superior models estimate the scour values in terms of all input parameters. In addition, the accuracy of the GSGMDH models is higher than that the GMDH ones. For example, for the GMDH and GSGMDH superior models, the values of &variance accounted for& in the test mode are calculated 73.075 and 86.408, respectively. Also, the superior model forecasts the objective function values with acceptable accuracy. For example, the correlation coefficient (R), the scatter index (SI), and the NashSutcliffe model efficiency coefficient (NSC) for the GSGMDH superior model in the training mode are approximated 0.913, 0.214 and 0.800, respectively. Based to the results of the sensitivity analysis, the shape factor of crossvane structures, the ratio of the difference between the upstream and downstream flow depths to the height of the structure and the densimetric Froude number (Fd) are introduced as the most effective input parameters. An uncertainty analysis exhibits that the GSGMDH superior model has an underestimated performance.