>
Fa   |   Ar   |   En
   تعیین ضریب تخلیه سرریزهای جانبی با استفاده از شبکه عصبی  
   
نویسنده منتصری حسین ,خلیلی رضا ,ملک محمودی مهدی
منبع عمران و پروژه - 1401 - دوره : 4 - شماره : 4 - صفحه:72 -84
چکیده    سرریزهای جانبی(side weirs)، سازه‌های منحرف‌کننده جریان هستند که در صنعت آبیاری و زهکشی، کنترل سیلاب، مهندسی بهداشت و سیستم‌های فاضلاب شهری کاربرد فراوانی دارند. تاکنون ضریب دبی در این نوع سرریزها با استفاده از تکنیک‌های رگرسیون و به‌صورت تجربی تعیین ‌شده است و به همین دلیل در تحقیق حاضر از مدل‌های رگرسیون خطی و شبکه عصبی مصنوعی برای پیش‌بینی ضریب تخلیه سرریز جانبی استفاده شد و نتایج آن‌ها با یکدیگر و با مقادیر محاسباتی مقایسه و بهترین مدل در این زمینه برای پیش‌بینی انتخاب شد. ضریب تخلیه سرریزهای جانبی بر اساس ترکیبات متعددی از متغیرهای مستقل بی‌بعد شامل نسبت طول به عرض سرریز (l/b)، نسبت عمق جریان در پایین‌دست سرریز به ارتفاع سرریز (hd/p)، نسبت طول سرریز به ارتفاع سرریز (l/p)، نسبت دبی تخلیه سرریز به دبی بالادست (qw/qu) و نسبت عمق جریان در بالادست سرریز به عرض سرریز (hu/b) پیش بینی شد. مدل ann7 با ورودی‌های l/p, qw/qu, hu/b دارای بیشترین مقدار ضریب رگرسیون برابر با 0.92 و مقادیر خطای rmse و mae برابر با 0.23 و 0.15 بهترین پیش‌بینی را انجام داد.مدل reg1 با مقادیر ضریب رگرسیونی، rmse و mae به ترتیب برابر با 0.72، 0.17 0.11 بهترین نتایج را در پیش‌بینی ایجاد کرد و به‌عنوان بهترین مدل رگرسیون خطی انتخاب گردید.نتایج کلی نشان داد که مدل‌های ann نسبت به مدل‌های رگرسیون خطی نتایج بهتری را ایجاد می کنند.
کلیدواژه سرریزهای جانبی، شبکه عصبی، ضریب تخلیه، مدل‌های Ann
آدرس دانشگاه یاسوج, گروه مهندسی عمران, ایران, دانشگاه یاسوج, ایران, دانشگاه یاسوج, ایران
پست الکترونیکی mehdi_m_1992@yahoo.com
 
   determining the discharge coefficient of lateral overflows using neural network  
   
Authors montaseri hossein ,malek mahmudi mehdi ,khalili reza
Abstract    side weirs are flow diverting structures that are widely used in irrigation and drainage industry, flood control, sanitary engineering and urban sewage systems. so far, the discharge coefficient in this type of overflows has been determined experimentally using regression techniques, and for this reason, in this research, linear regression models and artificial neural network were used to predict the discharge coefficient of the lateral overflow, and their results are in agreement with each other and with computational values were compared and the best model in this field was selected for prediction. the discharge coefficient of lateral spillways is based on several combinations of dimensionless independent variables including the ratio of length to width of the spillway (l/b), the ratio of the flow depth downstream of the spillway to the height of the spillway (hd/p), the ratio of the length of the spillway to the height of the spillway (l/ p), the ratio of weir discharge flow to upstream flow (qw/qu) and the ratio of flow depth upstream of weir to weir width (hu/b) were predicted. ann7 model with inputs l/p, qw/qu, hu/b has the highest value of regression coefficient equal to 0.92 and rmse and mae error values equal to 0.23 and 0.15 performed the best prediction. reg1 model with the values of regression coefficient, rmse and mae equal to 0.72, 0.17 and 0.11, respectively, it created the best results in prediction and was selected as the best linear regression model. the general results showed that ann models compared to linear regression produces better results.
Keywords side overflows ,neural network ,discharge coefficient ,ann model
 
 

Copyright 2023
Islamic World Science Citation Center
All Rights Reserved