پیش بینی نرخ انتقال بار بستر ورودی به آبگیرهای جانبی واقع در کانال های قوسی با استفاده از ترکیب مدل های یادگیری ماشین و مدل عددی فاز گسسته

این پژوهش به توسعه یک فرامدل ترکیبی پیشرفته می‌پردازد که مدل‌سازی عددی دوفازی را با الگوریتم‌های یادگیری ماشین تلفیق می‌کند تا نرخ رسوب انحرافی به آبگیرهای جانبی در قوس رودخانه‌ها را با دقت بالا پیش‌بینی نماید. مطالعه حاضر با در نظر گرفتن سه پارامتر کلیدی موقعیت آبگیر در طول قوس خارجی (10-140 درجه)، زاویه انحراف آبگیر (10-90 درجه) و درصد دبی آبگیری (40-20%)، یک چارچوب تحلیلی جامع را ارائه می دهد.ابتدا، با استفاده از مدل دوفازی فاز گسسته در نرم افزار fluent، شبیه سازی پدیده انتقال رسوب در یک کانال قوسی 180 درجه با آبگیر جانبی که در موقعیت 115 درجه از قوس خارجی و با زاویه انحراف 45 درجه قرار دارد، صورت پذیرفته و نتایج حاصل با داده های آزمایشگاهی کالیبره گردیده است. در ادامه، در 31 موقعیت از قوس خارجی از مقطع 10 تا 140 درجه از قوس با فواصل 5 درجه و با 5 زاویه آبگیری 10، 30، 50، 70 و 90 درجه و سه دبی آبگیری 20%، 30% و 40% مدل عددی کالیبره شده، اجرا گردیده است و درصد رسوب انحرافی به آبگیر جانبی برای هر مدل تعیین گردید. نتایج حاصل به عنوان داده های لازم برای آموزش و صحت سنجی مدل های مختلف شبکه عصبی به کار برده شد. در ادامه با استفاده از 70 درصد داده های حاصل، یک فرامدل با استفاده از مدل‌های شبکه عصبی مصنوعی چند لایه (mlp)، شبکه عصبی شعاعی (rbf)، شبکه عصبی رگرسیون عمومی (grnn) و رگرسیون بردار پشتیبان (svr) آموزش داده شده و صحت آن توسط بخشی از داده‌هایی که در مرحله آموزش از آنها استفاده نشده، مورد ارزیابی قرار گرفت. دقت نتایج حاصل از مدل های مذکور بر اساس معیار ضریب همبستگی، نشان‌دهنده توانایی بهتر مدل شبکه عصبی svr در پیش بینی مقادیر رسوب ورودی به آبگیر جانبی نسبت به سایر مدل ها می باشد.

prediction of bed load transport rate into lateral intakes in bend channels using hybrid machine learning and discrete phase numerical modeling

this study develops a meta-model combining fluent numerical simulations and machine learning (ml) to predict sediment diversion into lateral intakes along a u-shaped channel. the model considers key input parameters, including the intake’s position along the outer bend, diversion angle, and inflow percentage. initially, sediment transport was simulated using discrete phase model in a u-shaped channel with a lateral intake positioned at 115° on the outer bank and a 45° diversion angle. the results were validated against experimental data. following calibration, the numerical model was applied to 31 intake positions along the outer bend (from 10° to 140° at 5° intervals) with diversion angles of 10°, 30°, 50°, 70°, and 90°, and inflow ratios of 20%, 30%, and 40%. for each configuration, the percentage of sediment entering the lateral intake was computed. the resulting dataset was used to train and validate multiple neural network models, including multi-layer perceptron (mlp), radial basis function (rbf), generalized regression neural network (grnn), and support vector regression (svr). using 70% of the data for training, the meta-model’s performance was assessed on the remaining 30%. error analysis demonstrated that the svr model outperformed others in predicting bed load sediment rates