مقایسه ضریب دبی سرریز کلیدپیانویی قوسی با استفاده از روش ­ ann

سرریزها به عنوان سازه‌های حیاتی مرتبط با سد، نقش کلیدی در تضمین ایمنی سدها ایفا می‌کنند. این سازه‌ها برای اندازه‌گیری شدت جریان، مدیریت سیلاب‌ها، ذخیره آب و هدایت جریان آب در کانال‌ها، رودخانه‌ها و مخازن سدها استفاده می‌شوند. به طور کلی، سرریزها وظیفه انتقال سیلاب و هدایت آب اضافی از دریاچه سد به پایین‌دست را بر عهده دارند تا از بروز شکست سد جلوگیری کنند. الگوریتم‌های هوشمند به دلیل توانایی فوق‌العاده خود در شناسایی روابط پیچیده و پنهان بین پارامترهای مستقل و وابسته و همچنین به دلیل صرفه‌جویی در زمان و هزینه، به طور گسترده‌ای مورد توجه پژوهشگران قرار گرفته‌اند. در این پژوهش، عملکرد الگوریتم شبکه عصبی مصنوعی (ann) در پیش‌بینی ضریب دبی سرریزهای کلیدپیانویی قوسی با استفاده از 170 سری داده آزمایشگاهی دانشگاه مراغه مورد بررسی قرار گرفته است. پارامترهای هندسی و هیدرولیکی مورد استفاده در این پژوهش شامل نسبت بار آبی کل(h_t/p) ، بزرگ نمایی (l_c/w)، زاویه سیکل قوسی (ɵ)، فرود(fr) ، نسبت طول داخلی دماغه به عرض سرریز (a/w) و ضریب دبی (cd) می باشد. نتایج حاصل از الگوریتم‌ هوش مصنوعی نشان داد که ترکیب پارامتر (cd, h_t/p, l_c/w, ɵ, a/w, fr) در الگوریتم شبکه عصبی مصنوعی (ann) در مرحله آموزش و آزمون به ترتیب دارای مقادیر (9882/0=(r2، (0086/0=(rmse، (9871/0=(dc و (9924/0=(r2، (0056/0=(rmse، (9923/0=(dc می‌باشد. این نتایج در مقایسه با دیگر ترکیب‌ها، بهینه‌ترین خروجی را ارائه داده است و نشان‌دهنده دقت بسیار مطلوب الگوریتم ann در پیش‌بینی ضریب دبی سرریزهای کلیدپیانویی قوسی است. همچنین، نتایج آنالیز حساسیت بیانگر این است که پارامتر نسبت بار آبی کل(h_t/p) بیشترین تاثیر را در تعیین ضریب دبی سرریز کلیدپیانویی قوسی دارد

comparison of the flow rate coefficient of the arched piano key weir using the ann method

weirs, as critical structures associated with dams, play a key role in ensuring the safety of dams. these structures are used to measure flow intensity, manage floods, store water, and direct the flow of water in channels, rivers, and dam reservoirs. overall, weirs are responsible for transferring floodwaters and directing excess water from the reservoir to downstream areas to prevent dam failure. intelligent algorithms have garnered significant attention from researchers due to their exceptional ability to identify complex and hidden relationships between independent and dependent parameters, as well as their efficiency in saving time and costs. in this study, the performance of the artificial neural network (ann) algorithm in predicting the discharge coefficient of piano-key weir weirs was evaluated using 170 laboratory data series from maragheh university. the geometric and hydraulic parameters used in this research include the total head-to-width ratio (h_t/p), magnification (l_c/w), arc cycle angle (ɵ), froude number (fr), ratio of the internal length of the crest to the weir width (a/w), and discharge coefficient (cd). the results of the artificial intelligence algorithm showed that the combination of parameters (cd, h_t/p, l_c/w, ɵ, a/w, fr) in the artificial neural network (ann) algorithm in the training and test phase respectively have values of (r2=0.9924), (rmse=0.0056), (dc=0.9923) and (r2=0.9882), (rmse=0.0086), (dc=0.9871). these results provided the most optimal output compared to other combinations and indicate the highly accurate performance of the ann algorithm in predicting the discharge coefficient of piano-key weir weirs. also, the results of the sensitivity analysis indicate that the total water load ratio parameter (h_t/p) has the greatest effect in determining the weir flow coefficient of the arched piano.