پیش بینی عمق آبشستگی در مجاورت سرریزهای سنگی با استفاده از ساختار تعمیم یافته روش گروه دسته بندی داده ها
در این مطالعه، الگوی آبشستگی در مجاورت سرریزهای سنگی با شکل های I، U و J درون کانال های خم توسط یک روش هوش مصنوعی نوین تحت عنوان ساختار تعمیم یافته روش گروه دسته بندی داده ها (GSGMDH) شبیه سازی شد. در مقایسه با روش (GMDH) گروه دسته بندی داده ها روش GSGMDH یک روش منعطف تر و دقیق تر است که در آن گره ها می-توانند از لایه های غیرهمجوار ورودی بگیرند. در ابتدا، کلیه پارامترهای موثر بر روی عمق آبشستگی در مجاورت سرریزهای سنگی شناسایی گردید و سپس با استفاده از این پارامترها، برای هر یک از روش های GMDH و GSGMDH شش مدل مختلف تعریف گردید. با تجزیه و تحلیل نتایج مدل های هوش مصنوعی مدل-های برتر معرفی گردید. مدل های برتر GMDH و GSGMDH مقادیر آبشستگی ها را بر حسب کلیه پارامترهای ورودی تخمین زدند. علاوه بر این، دقت مدل های GSGMDH از مدل های GMDH بیشتر بود. به عنوان مثال، برای مدل های برتر GMDH و GSGMDH مقدار شاخص عملکرد در وضعیت تست به ترتیب مساوی با 075/73 و 408/86 محاسبه شدند. همچنین، مدل برتر مقادیر تابع هدف را با دقت خوبی پیش بینی نمود. به عنوان مثال، مقادیر ضریب همبستگی (R)، شاخص پراکندگی (SI) و ضریب نش (NSC) برای مدل برتر GSGMDH در شرایط آموزش به ترتیب مساوی با 913/0، 214/0 و 800/0 تخمین زده شدند. با توجه به نتایج تحلیل حساسیت، پارامترهای پارامترهای ضریب شکل سرریزهای سنگی (φ)، نسبت اختلاف عمق جریان در بالادست و پایین دست تله سنگی برابر به ارتفاع سازه (y/hstΔ) و عدد فرود تراکمی (Fd) به عنوان موثرترین پارامترهای ورودی معرفی گردیدند. تحلیل عدم قطعیت نشان داد که مدل GSGMDH برتر دارای یک عملکرد کمتر از واقعی بود.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.