تخمین ضریب دبی سرریزهای کنگره‌ای با استفاده از ماشین آموزش نیرومند خود تطبیقی

در این مطالعه، برای اولین بار ضریب دبی سرریزهای کنگره‌ای با استفاده از مدل هوش مصنوعی ماشین آموزش نیرومند خود تطبیقی (saelm) شبیه‌سازی شد. برای ارزیابی دقت مدل هوش مصنوعی از شبیه‌سازی‌های مونت کارلو استفاده شد. علاوه بر این برای صحت سنجی نتایج مدل‌های عددی از روش صحت‌سنجی ضربدری استفاده گردید. مقدار k در این مطالعه مساوی با 5 در نظر گرفته شد. در ابتدا بهینه ترین نرون لایه مخفی بدست آمد. تعداد نرون‌های لایه مخفی بهینه مساوی با 30 بدست آمد. همچنین تجزیه و تحلیل نتایج توابع فعال‌سازی مختلف نشان داد که تابع فعال‌سازی زیگموید دارای دقت بیشتری در مقایسه با سایر توابع فعال‌سازی است. با انجام تحلیل حساسیت، مدل برتر معرفی شد. مدل برتر مقادیر ضریب دبی را بر حسب کلیه پارامترهای ورودی تخمین زد. این مدل مقادیر ضریب دبی سرریزهای کنگره‌ای را با دقت بالایی تخمین زد. به عنوان مثال مقادیر r^2، شاخص پراکندگی و ضریب nash برای مدل برتر مساوی با 0/966، 0/034 و 0/964 محاسبه شدند. همچنین نسبت هد کل روی سرریز به ارتفاع تاج سرریز (ht/p) و نسبت طول هندسی راس سرریز به عرض یک سیکل سرریز (a/w) به عنوان موثرترین پارامترها شناسایی شدند. در انتها، برای پارامترهای ورودی تحلیل حساسیت مشتق نسبی اجرا شد.

estimation of labyrinth weir discharge coefficient using self-adaptive extreme learning machine

for the first time, in the current study, the discharge coefficient of labyrinth weirs was simulated using the selfadaptive extreme learning machine (saelm) artificial intelligence model in both cases including normal orientation labyrinth weirs (nlws) and inverted orientation labyrinth weirs (ilws). the monte carlo simulations were also implemented to evaluate the accuracy of the artificial intelligence model. in addition, the validation of the numerical model results was carried out by means of the kfold cross validation approach. in this study, k was considered equal to 5. first, the most optimized neuron of the hidden layer was computed. the number of the hidden layer neurons was calculated 30. also, by analyzing the results of different activation functions, it was concluded that the sigmoid activation function has higher accuracy than others. after that, the superior model was identified by conducting a sensitivity analysis. the superior model estimated the discharge coefficient values in terms of all input parameters. this model approximated discharge coefficient values of labyrinth weirs with reasonable accuracy. for example, the values of r2, the scatter index and the nash–sutcliffe efficiency coefficient for the superior model were calculated 0.966, 0.034 and 0.964, respectively. in addition, the ratio of the total head above the weir to the height of the weir crest (ht/p) and the ratio of length of apex geometry to width of a single cycle (a/w) were identified as the most effective parameters. finally, a partial derivative sensitivity analysis (pdsa) was conducted for the input parameters.