مدل‌سازی و تخمین ابعاد کانال‌های آبرفتی پایدار با استفاده از محاسبات نرم

در این پژوهش به‌منظور تخمین ابعاد هندسی کانال‌های آبرفتی پایدار شامل عرض سطح کانال (w)، عمق جریان (h) و شیب طولی (s) آنها از مدل‌های محاسبات نرم شامل مدل رگرسیون اسپلاین تطبیقی چندگانه (mars) و مدل دسته‌بندی گروهی داده‌ها (gmdh) استفاده شد و نتایج مدل‌های توسعه داده ‌شده با مدل شبکه عصبی چندلایه (mlp) مقایسه شد. برای توسعه مدل‌ها، پارامترهای دبی جریان (q)، اندازه متوسط ذرات در کف و بدنه (d50) و همچنین میزان تنش برشی (t) به‌عنوان ورودی و از پارامترهای عرض سطح آب (w)، عمق جریان (h) و شیب طولی (s) به‌عنوان پارامترهای خروجی استفاده شد. مدل‌های محاسبات نرم در دو سناریو بر اساس پارامترهای خام و فرم بی‌بعد پارامترهای مستقل و وابسته، توسعه داده شدند. نتایج نشان داد که با توجه به مشخصات آماری در تخمین w بهترین عملکرد مربوط به مدل mars است که شاخص‌های آماری دقت آن در مرحله آموزش عبارت از r^2=0.902,rmse=1.666 و در مرحله آزمایش عبارت از  r^2=0.844,rmse=2.317 است. در تخمین عمق کانال، عملکرد هر دو مدل mlp و mars تقریباً برابر است که هر دو بر اساس فرم بی‌بعد دبی جریان به‌عنوان متغیر ورودی، توسعه داده شدند. شاخص‌های آماری هر دو مدل در مرحله آموزش عبارت از  و در مرحله آزمایش عبارت از   است. بهترین عملکرد مدل‌های توسعه داده ‌شده در تخمین شیب طولی کانال نیز مربوط به هردو مدل mars و gmdh است که البته به‌صورت جزئی، دقت مدل gmdh با شاخص‌های آماری   در مرحله آموزش و   در مرحله آزمایش بیشتر از مدل mars است.

modeling and estimating the dimensions of stable alluvial channels using soft calculations

in this research, soft computational models including multiple adaptive spline regression model (mars) and data group classification model (gmdh) were used to estimate the geometric dimensions of stable alluvial channels including channel surface width (w), flow depth (h), and longitudinal slope (s) and the results of the developed models were compared with the multilayer neural network (mlp) model. to develop the models, the flow rate parameters (q), the average particle size in the floor and body (d50) as well as the shear stress (t) as input and the parameters of water surface width (w), flow depth (h), and longitudinal slope (s) were used as output parameters. soft computing models were developed in two scenarios based on raw parameters and dimensionless form independent and dependent parameters. the results showed that the statistical characteristics in estimating w, the best performance is related to the mars model, whose statistical indicators of accuracy in the training stage are r^2 = 0.902, rmse=1.666 and in the test phase is r^2 = 0.844, rmse=2.317. in estimating the channel depth, the performance of both gmdh and mars models is approximately equal, both of which were developed based on the dimensionless form of flow rate as the input variable. the statistical indicators of both models in the training stage are r^2 » 0.90, rmse » 8.15 and in the test phase is r^2 » 0.90, rmse = 7.40. the best performance of the developed models in estimating the longitudinal slope of the channel was related to both mars and gmdh models, although, in part, the accuracy of the gmdh model with statistical indicators r^2 = 0.942, rmse = 0.0011 in the training phase and r^2 = 0.925, rmse = 0.0014 in the experimental stage is more than the mars model.