تخمین ضریب دبی سرریزهای کلید پیانویی با استفاده از مدل‎های یادگیری ماشین

در این پژوهش، ضریب دبی (cd) سرریزهای کلید پیانویی با استفاده از مدل ماشین بردار پشتیبان (svm) تخمین زده و سپس عملکرد آن با مدل شبکه عصبی پرسپترون چندلایه (mlpnn) مقایسه شد. برای این منظور، پارامترهای نسبت هد بالادست به ارتفاع سرریز (h⁄p)، نسبت عرض ورودی به خروجی (wi⁄wo)، طول کلید به عرض آن (lcy⁄wcy) و تعداد کلیدها (n) به عنوان ورودی و cd به عنوان خروجی در نظر گرفته شدند. قابل ذکر است که 80 درصد داده های گرداوری شده به آموزش و مابقی به صحت سنجی مدلها اختصاص داده شده است. نتایج نشان داد که حداقل مقدار شاخص آماری r2 و حداکثر مقدار rmse مدل‌های مذکور در مرحله اعتبارسنجی به ترتیب r2=0.99 و rmse=0.01 می‌باشد. مدل mlpnn توسعه داده شده دارای دو لایه پنهان که در لایه اول چهار نرون با تابع فعال سازی تانژانت سیگموئید و در لایه دوم، دو نرون با همان تابع فعال ساز است. هسته مدل svm نوع شعاعی انتخاب شد. تحلیل حساسیت مدل‌های استفاده ‌شده، نشان داد که مهم‌ترین پارامترهای تاثیرگذار در مدل‌سازی و تخمین ضریب دبی، ho⁄p می‌باشند.

estimating the discharge coefficient of piano key weirs using soft computing models

in this study, the discharge coefficient (cd) of piano key weirs was estimated using the support vector machine (svm) model, and its performance was subsequently compared with the multilayer perceptron neural network (mlpnn) model. for this purpose, the parameters of the upstream head-to-weir height ratio (h⁄p), the inlet-to-outlet width ratio (w_i⁄w_o), the key length-to-width ratio (l_cy⁄w_cy), and the number of keys (n) were considered as inputs, with cd as the output. the results indicated that the minimum value of the r2 statistical index and the maximum value of the rmse for the mentioned models during the validation phase were r2=0.99 and rmse=0.01, respectively. the developed mlpnn model consisted of two hidden layers, with four neurons in the first layer and two neurons in the second layer, both utilizing the sigmoid tangent activation function. the svm model employed a radial basis function (rbf) kernel. sensitivity analysis of the models revealed that the most influential parameters in modeling and estimating the discharge coefficient were h_o⁄p.