شبیه‌سازی الگوی آبشستگی در مجاورت سرریزهای سنگی با استفاده ماشین آموزش نیرومند خارج از محدوده

در این مطالعه، عمق حفره آبشستگی در پائین دست سرریزهای سنگی با شکل های مختلف j، i، u و w توسط یک روش نوین هوش مصنوعی تحت عنوان ماشین آموزش نیرومند خارج از محدوده (orelm) شبیه سازی شد. داده های مشاهداتی به دو دسته آموزش (70 درصد) و تست (30 درصد) تقسیم شدند. سپس تابع فعال سازی بهینه برای شبیه سازی عمق آبشستگی در پائین دست سرریزهای سنگی انتخاب شد. در ادامه، با استفاده از پارامترهای ورودی که شامل نسبت طول سازه به عرض کانال (b/b)، عدد فرود تراکمی (fd)، نسبت اختلاف عمق جریان بالادست و پائین دست سازه به ارتفاع سازه (δy/hst) و فاکتور شکل سازه (φ)، یازده مدل مختلف orelm برای تخمین عمق آبشستگی توسعه داده شدند. با انجام یک تحلیل حساسیت، مدل برتر و موثرترین پارامترهای ورودی شناسایی شدند. مدل برتر مقادیر آبشستگی ها را توسط پارامترهای بدون بعد b/b, fd, δy/hst شبیه سازی کرد. برای این مدل، مقادیر ضریب همبستگی (r)، شاخص عملکرد  (vaf)و ضریب نش (nsc) برای مدل برتر در شرایط تست به ترتیب مساوی با 0/956، 91/378 و 0/908 بدست آمدند. همچنین، پارامترهای بدون بعد b/b, δy/hst به عنوان موثرترین پارامترهای ورودی شناسایی شدند. همچنین، نتایج مدل برتر با مدل ماشین آموزش نیرومند نیز مقایسه شدند که مدل orelm دقت بیشتری داشت. علاوه بر این، تحلیل عدم قطعیت نشان داد که مدل orelm مقادیر آبشستگی ها را بیشتر از واقعیت تخمین زد. در ادامه، برای مدل برتر، یک تحلیل حساسیت مشتق نسبی (pdsa) اجرا گردید.

simulation of scour pattern around cross vane structures using outlier robust extreme learning machine

in this research, the scour hole depth at the downstream of cross vane structures with different shapes (i.e., j, i, u, and w) was simulated utilizing a modern artificial intelligence method entitled outlier robust extreme learning machine (orelm). the observational data were divided into two groups: training (70%) and test (30%). then, using the input parameters including the ratio of the structure length to the channel width (b/b), the densimetric froude number (fd), the ratio of the difference between the downstream and upstream depths to the structure height (δy/hst), and the structure shape factor (φ), eleven different orelm models were developed for estimating the scour depth. subsequently, the superior model and also the most effective input parameters were identified through the conduction of uncertainty analysis. the superior model simulated the scour values by the dimensionless parameters b/b, fd, δy/hst. for this model, the values of the correlation coefficient (r), the variance accounted for (vaf), and the nash sutcliffe efficiency (nsc) for the superior model in the test mode were obtained 0.956, 91.378, and 0.908, respectively. also, the dimensionless parameters b/b and δy/hst were detected as the most effective input parameters. furthermore, the results of the superior model were compared with the extreme learning machine model and it was concluded that the orelm model was more accurate. moreover, an uncertainty analysis exhibited that the orelm model had an overestimated performance. besides, a partial derivative sensitivity analysis (pdsa) model was performed for the superior model.