کاربرد هوش مصنوعی در پیش‌ بینی ضریب دبی در سرریزهای کنگره‌ای با پلان هارمونیک

با رشد جمعیت، تقاضا برای ذخیره‌سازی آب در مخازن افزایش یافته است و نیاز به جایگزینی یا افزایش ظرفیت دبی بسیاری از سرریزها از طریق بهینه‌سازی هندسی و طرح افقی آنها به وجود آمده است. یکی از راهکارهای کاربردی برای افزایش راندمان سرریزها، اصلاح هندسۀ پلان و افزایش طول سرریز در عرضی ثابت است. این امر باعث افزایش ضریب دبی (cd) سرریز می‌شود. در این مطالعه، با جمع‌آوری داده‌های آزمایشگاهی دو منبع مختلف، در مجموع از 233 سری داده شامل مولفه‌های هندسی و هیدرولیکی استفاده شد. سه مدل یادگیری ماشین، شامل رگرسیون بردار پشتیبان (svr) و مدل ناپارامتریک جنگل تصادفی (rf) و رگرسیون اسپیلاین تطبیقی چندگانه (mars)، با پنج سناریوی ورودی مختلف برای پیش‌بینی دقیق ضریب دبی سرریز کنگره‌ای با پلان نیم‌دایره هارمونیک توسعه داده شد. نتایج تحقیق نشان داد که متغیرهای ورودی شامل، نسبت شعاع به ارتفاع سرریز (r/p)، نسبت عرض سرریز به ارتفاع سرریز (b/p)، تعداد سیکل (n) و نسبت هد هیدرولیکی به ارتفاع سرریز (ht/p)، در مدل mars با مقادیر 0/008= rmse و 0/94=r^2 و مدل svr با مقادیر 0/009= rmse و 0/93=r^2، نتایج بهتری را در تخمین (cd) ارائه می‌کنند. مشاهده گردید در مقادیر (ht/p) پایین‌تر از 0/05، میزان ضریب دبی عبوری سرریز با 4 سیکل نیم‌دایره (4=n)، بیشتر از سایز سرریزها بوده است. همچنین، با استفاده از دو روش مختلف آنالیز حساسیت مشاهده گردید پارامتر عمق نسبی (ht/p) موثرترین مولفه در پیش‌بینی ضریب دبی بوده است.

application of artificial intelligence in predicting the discharge coefficient of labyrinth weirs with harmonic plans

dams, as barriers constructed across rivers, are comprised of essential components such as the body, spillway, and drainage systems. various labyrinth spillway designs, including triangular, trapezoidal, circular, and polygonal horizontal layouts, extend the effective flow path over a fixed width compared to linear spillways. researchers aim to identify optimal designs balancing high performance and cost-efficiency. recent advancements highlight the integration of optimization methods and computational fluid dynamics (cfd) to improve labyrinth spillway designs. studies have explored the hydraulic and geometric factors affecting discharge coefficients (cd) and flow velocity. research includes the application of artificial intelligence (ai) models such as artificial neural networks (anns), adaptive neuro-fuzzy inference systems (anfis), and regression techniques to predict cd. notable contributions demonstrate that ai models effectively capture complex nonlinear relationships between geometric parameters and flow rates, outperforming traditional methods. for instance, models like support vector machines (svm) and adaptive regression spline (mars) have demonstrated high accuracy in predicting cd.despite advancements, precise predictive models for labyrinth spillways with harmonic plans remain underdeveloped. this study addresses this gap by introducing new methodologies, including svm, random forests (rf), and mars, to predict cd. it also quantifies the influence of dimensionless parameters on cd, synthesizing experimental data to enhance understanding and bridge existing research gaps.model performance: using the best input combination, the results showed that the svm and mars algorithms outperformed tree-based models, such as random forest (rf), in prediction accuracy for harmonic weirs with varying cycles. mars model evaluation: although the mars model performed well, comparisons with other regression models from previous studies demonstrated that mars delivered satisfactory and improved accuracy over those models.