بررسی عملکرد ماشین های یادگیری در تخمین ضریب دبی آبگذری آبگیرهای کفی با روزنه دایره ای

با توسعه فناوری و پیشرفت تکنولوژی، روش های هوشمند بسیاری برای تخمین ضریب آبگذری سازه های هیدرولیکی مختلف پدید آمده است. یکی از سازه هایی که در نیروگاه های برقابی کاربرد دارد، سازه آبگیر کفی است. وظیفه این سازه، انتقال جریان به کانال جمع آوری است. از مزیت های این سازه می توان به پایداری آن ها در برابر بارهای دینامیکی و استاتیکی به دلیل قرارگیری این سازه ها در پایین ترین تراز اشاره کرد. در پژوهش حاضر، چهار الگوریتم هوشمند توانمند ماشین یادگیری مضاعف (ELM)، شبکه های عصبی رگرسیون عمومی (GRNN)، مدل رگرسیون خود تطبیق شونده (MARS) و مدل درخت M5 در مدل سازی ضریب آبگذری آبگیر کفی مورد ارزیابی قرار گرفته است. نتایج مدل سازی نشان داد که الگوریتم ELM در هر دو دوره آموزش (70 درصد داده ها) و آزمون (30 درصد داده ها) از دقت بیشتری نسبت به سایر الگوریتم های بررسی شده برخوردار است. به طوری که ضریب R2 برای الگوریتم مذکور تا 74/3 درصد بیشتر از دیگر الگوریتم های استفاده شده بود. همچنین معیار DDR و هیستوگرام خطای مدل سازی بیانگر برتری الگوریتم ELM  بود. در نهایت نیز سرعت محاسبه الگوریتم های به کاربرده شده مورد مقایسه قرار گرفت که الگوریتم ELM تا 557/2 برابر سریع تر از سایر الگوریتم ها بود. بنابراین، الگوریتم ELM به دلیل دقت خوب و در عین حال سرعت زیاد، دارای پتانسیل بالا جهت مدل سازی ضریب آبگذری سرریز ها است.