شبیه‌سازی و تخمین دبی جریان در فلوم‌های smbf به کمک مدل‌های محاسبات نرم

در پژوهش حاضر، دبی جریان در فلوم‌های حاوی نیم ‌استوانه‌های جانبی (smbf) تحت شرایط آزاد و مستغرق با استفاده از مدل‌های ماشین بردار پشتیان (svm)، رگرسیون انطباقی چندمتغیره اسپلاین (mars) و مدل شبکه عصبی مصنوعی چندلایه (mlpnn)، شبیه‌سازی و تخمین زده شد. در حالت جریان آزاد از پارامترهای بی‌بعد مستخرج از آنالیز ابعادی شامل نسبت عمق جریان در بالادست به عرض گلوگاه و نسبت انقباض (عرض گلوگاه به عرض کانال) و در حالت مستغرق علاوه بر این دو پارامتر از پارامترهای عمق پایاب به عرض گلوگاه و عمق پایاب به عمق بالادست به‌عنوان ورودی و از فرم بی‌بعد دبی جریان به‌عنوان خروجی مدل‌ها استفاده شد. نتایج نشان داد که در حالت جریان آزاد در مرحله صحت‌سنجی مدل mars با شاخص‌های آماری r^2=0/985، rmse=0/008، mape=0/87% و مدل svm با شاخص‌های آماری 0/971=r^2، rmse=0/0012، mape=1/376% و مدل mlpnn با شاخص‌های آماری r^2=0/973 ،rmse=0/011 ،mape=1/304% دبی جریان را شبیه‌سازی و پیش‌بینی کرده اند. در حالت مستغرق شاخص‌های آماری مدل mars توسعه داده‌ شده عبارت از r^2=0/978، rmse=0/018، mape=3/6% و شاخص‌های آماری مدل svm عبارت از mape=4/2%، rmse=0/014، r^2=0/988 و شاخص‌های آماری مدل mlpnn عبارت از mape=5/7%، rmse=0/022، r^2=0/966 هستند. در توسعه مدل‌های svm و mlpnn به‌ترتیب از توابع کرنل شعاعی و تانژانت هایپربولیک استفاده شد.

modeling and estimating flow rate in smbf flumes using soft computation models

in the present study, the flow rate in flues containing lateral semi-cylinders (smbf) was simulated and estimated under free and submerged conditions using back vector machine models (svm), spin multivariate adaptive regression (mars), and multilayer artificial neural network (mlpnn) model. in free flow mode, the dimensionless parameters extracted from the dimensional analysis include the ratio of upstream flow to throat width and contraction ratio (throat width to channel width), and in the submerged state, in addition to these two parameters, the depth-to-throat width, and bottom-depth parameters upstream depth were used as input and the two-dimensional form of flow rate was used as the output of the models. the results showed that in free flow mode in the validation stage, the mars model with statistical indices of r2 = 0.985, rmse = 0.008, mape = 0.87%, and the svm model with statistical indices of  r2 = 0.971, rmse = 0.0012, mape =1.376%, and mlpnn model with statistical indices of r2 = 0.973,  rmse = 0.011, mape = 1.304% have modeled and predicted the flow rate. in the submerged state, the statistical indices of the developed mars model were r2 = 0.978, rmse = 0.018, mape = 3.6%, and the statistical indices of the svm model were r2 = 0.988, rmse = 0.014, 2%. mape = 4, and the statistical indicators of the mlpnn model were r2 = 0.966, rmse = 0.022, and mape = 5.7%. in the development of svm and mlpnn models, radial kernel and hyperbolic tangent functions were used, respectively.