تخمین عمق آبشستگی در اطراف سرریزهای مستغرق با استفاده از مدل نوین ماشین آموزش نیرومند

در این مطالعه با استفاده از روش نوین ماشین آموزش نیرومند الگوی آبشستگی در پائین دست سرریزهای مستغرق پیش بینی شد. در مطالعه حاضر برای بررسی توانایی دقت مدل عددی از روش شبیه سازی های مونت کارلو بهره گرفته شد. علاوه بر این، به منظور صحت سنجی دقت مدل های عددی از روش اعتبار سنجی ضربدری استفاده گردید. در ادامه با توجه به پارامترهای ورودی، پنج مدل عددی ماشین آموزش نیرومند توسعه داد شد. در ابتدا، بهینه ترین تعداد نرون های لایه مخفی برای مدل عددی محاسبه شد. سپس تابع فعال سازی بهینه برای مدل عددی انتخاب شد. تحلیل توابع فعال سازی نشان داد که تابعsigmoid مقادیر تابع هدف را با دقت بیشتری تخمین زد. همچنین نتایج تحلیل حساسیت نشان داد که مدل برتر مقادیر آبشستگی را بر حسبu0/uc, z/ht, d50/ht تخمین زد. این مدل مقادیر آبشستگی در پائین دست سرریزهای مستغرق را با دقت قابل قبولی تخمین زد به عنوان مثال مقادیر ضریب تبیین و شاخص پراکندگی برای این مدل به ترتیب مساوی با 0.880 و 0.127 محاسبه شد. علاوه بر این، پارامتر بدون بعد سرعتu0/uc به عنوان موثرترین پارامتر ورودی شناسایی شد. در نهایت یک ماتریس برای محاسبه عمق آبشستگی برای مهندسین بدون نیاز به دانش قبلی در مورد ماشین آموزش نیرومند ارائه شد.

Estimation of Scour Depth around Submerged Weirs Using the Novel Approach Extreme Learning Machine

Scour in vicinity of hydraulic structures is considered as one of the most important parameters to design the structures. In this study, scour pattern at downstream of submerged weirs was predicted using the novel method ldquo;Extreme Learning Machine rdquo;. In current study, in order to survey the accuracy of the numerical model, the Monte Carlo Simulations(MCs) was employed. In addition, the kfold cross validation was utilized so as to validate the results of numerical models. Then, regarding with input parameters, five ELM models were developed. Firstly, the number of optimized hidden neurons for soft computing model was calculated. Next, the best activation function for numerical model was chosen. Analysis of activation function showed that the sigmoid activation function predicted the scour around submerged weirs with more accuracy. Additionally, results of sensitivity analysis proved that the superior model estimated the scour in terms of U0/Uc, z/ht,d50/ht. This model simulated the scour around submerged weirs with reasonable accuracy, for instance, determination coefficient and scatter index were computed 0.880 and 0.127, respectively. Moreover, the velocity parameter U0/Uc was identified as the most effective input variable. Finally, a matrix was provided to estimate the scour depth for engineers without previous knowledge of Extreme Learning Machine.