مدل‌سازی ضریب دبی دریچه‌های قطاعی در شرایط جریان مستغرق با استفاده از روش‌های پایه کرنلی

تخمین ضریب دبی جریان در دریچه‌ها از جمله مسائل اساسی در علوم مربوط به مهندسی آب می‌باشد. در سال های اخیر روابط نیمه تجربی مختلفی به منظور تخمین ضریب دبی دریچه های قطاعی توسعه داده شده که کاربرد این روابط در شرایط جریان مستغرق با خطاهای بزرگی همراه بوده است. هدف از تحقیق حاضر استفاده از روش‌های قدرتمند رگرسیون فرایند گاوسی (gpr) و ماشین بردار پشتیبان (svm) به‌منظور تخمین ضریب دبی دریچه های قطاعی در شرایط جریان مستغرق و مقایسه نتایج حاصل با روش‌های نیمه تجربی مرسوم می‌باشد. بدین منظور مجموعه ی وسیعی شامل 2136 داده آزمایشگاهی مورد استفاده قرار گرفته و پس از تعریف پارامترهای بدون بعد مختلف، عملکرد روش‌های مذکور مورد ارزیابی قرار گرفت. نتایج به دست آمده کارآیی بالای روش های به کار گرفته شده را نسبت به روش های تجربی به خوبی نشان داد. بررسی مدل های مختلف نشان داد رگرسیون فرآیند گاوسی به همراه پارامترهای ورودی y0yt/w و yt/w با دارا بودن مقادیر r=0.983، nse=0.967 و rmse=0.027 عملکرد بهتری نسبت به ماشین بردار پشتیبان و سایر روش های نمیه تجربی در تخمین ضریب دبی دیچه‌های قطاعی در شرایط جریان مستغرق دارا می باشد.

Modeling discharge coefficient of radial gates under submerged conditions using kernel-based approaches

Prediction of flow discharge coefficient of gates is one of the essential issues in water engineering sciences. In recent years, various semiempirical equations have been developed in order to predict the discharge coefficient of radial gates that the application of these formulas under submerged flow conditions suffered from large errors. The aim of present study is to apply robust Gaussian Process Regression (GPR) and Support Vector Machine (SVM) to predict discharge coefficient of radial gates under submerged flow conditions and compare the obtained results with wellknown semiempirical approaches. For this purpose, an extensive experimental dataset comprises 2136 data points were used to feed the utilized methods. Different combinations of dimensionless parameters were prepared and the performance of aforementioned methods were assessed. The obtained results showed that GPR method with input parameters of y0yt/w and yt/w yields a correlation coefficient (R) of 0.983, a Nash Sutcliffe efficiency (NSE) of 0.967 and root mean squared error (RMSE) of 0.027 and indicated superior performance compared with employed SVM and other semiempirical approaches.