مدل‌سازی ضریب دبی سرریز کرامپ با استفاده از روش‌های یادگیری ماشینی

سرریز کرامپ در طبقه بندی سرریزها در میان سرریزهای لبه‌ کوتاه جای می‌گیرد. طراحی این سرریز به‌گونه‌ای است که شیب بالادست آن بیشتر از شیب پایین‌دست آن بوده و موجب می‌شود که رسوبات به‌راحتی تخلیه گردند. در این تحقیق عملکرد روش های kنزدیک‌ترین همسایگی و رگرسیون بردار پشتیبان در مدل سازی ضریب دبی سرریز کرامپ با استفاده از داده‌های آزمایشگاهی موردبررسی قرار گرفت. داده‌ها در 174 دسته و 9 ترکیب مختلف از پارامترهای ورودی شامل شیب بالادست (sup )، شیب پایین‌دست (sdo)، عدد رینولدز (re) و نسبت عمق آب روی سرریز در بالادست به ارتفاع سرریز (h1/p) مورداستفاده قرار گرفت. در چهار مرحله به‌ترتیب 66، 70، 75 و 80 درصد داده‌های آزمایشگاهی برای آموزش و مابقی آن‌ها در هر مرحله جهت آزمون استفاده گردید. براساس یافته ها در هر دو روش، بهترین نتیجه زمانی حاصل می‌شود که از 80 درصد داده‌ها برای آموزش و 20 درصد داده‌ها برای آزمون استفاده ‌شود. از سوئی دیگر روش نزدیک‌ترین همسایگی در مقایسه با رگرسیون بردار پشتیبان از توانمندی بیشتری در مدل‌سازی ضریب دبی سرریز کرامپ برخوردار بوده و نسبت (h1/p) تاثیر مهمی در تخمین ضریب دبی سرریز کرامپ داشته و قادر است با دقت نسبتاً بالایی ضریب دبی سرریز را مدل‌سازی نماید. همچنین نتایج نشان داد با کاربرد ترکیب ورودی شامل پارامترهای h1/p, sup , sdo، روش های رگرسیون بردار پشتیبان و نزدیک‌ترین همسایگی به‌ترتیب با ضرایب همبستگی 0.969 و 0.987 بیشترین دقت را از خود نشان دادند.