مقایسه کارایی هیدرولیکی سرریز های کنگره ای با فرم تاج ربع دایره ای و نیم دایره ای با استفاده از روش های فرامدلی QNET, SVM, GEP, ANN

سرریزهای غیرخطی ضمن برخوردار بودن از مزیت های اقتصادی، قابلیت عبوردهی جریان بیشتری را نسبت به سرریزهای خطی دارند. الگوریتم های هوشمند به دلیل توانایی زیاد در کشف رابطه های دقیق پیچیده ی مخفی بین پارامترهای مستقل موثر و پارامتر وابسته و همچنین صرفه جویی مالی و زمانی، جایگاه بسیار ارزشمندی بین پژوهشگران پیدا کرده اند. در این پژوهش عملکرد الگوریتم های پشتیبان بردار ماشین (SVM) ، برنامه ریزی بیان ژن (GEP) ، نرم افزار (QNET) و شبکه هوش مصنوعی (ANN) در پیش بینی ضریب دبی سرریزهای غیرخطی تعداد 318 سری داده برای سناریو اول و سناریو دوم شامل تعداد 363 سری داده و سناریو سوم شامل ادغام داده ها (مجموع سناریو ی اول و دوم) که شامل 681 سری داده می باشند. تفاوت سناریو اول و دوم در فرم تاج سرریز ربع دایره ای و نیم دایره ای می-باشد. پارامترهای هندسی و هیدرولیکی مورد استفاده در این پژوهش شامل نسبت بار آبی کل(H_T/p) ، بزرگ نمایی (L_C/W)، زاویه دیواره سیکل(α) و ضریب دبی (Cd) می باشند. نتایج هوش مصنوعی نشان داد که تر کیب پارامترهای(Cd, H_T/p, α, L_C/W) در الگوریتم هایQNET ، ANN،GEP و SVM در مرحله ی آموزش مربوط به سناریو برتر با شاخصه های ارزیابی به ترتیب برابراست با (9960/0=(R2، (0080/0=(RMSE، (9961/0=(DC، (9980/0=(R2، (0057/0=(RMSE، (9980/0=(DC، (9837/0=(R2، (0207/0=(RMSE، (9838/0=(DC و (9902/0=(R2، (0186/0=(RMSE، (9830/0=(DC می باشد. که در مقایسه با دیگر ترکیب ها منجر به بهینه ترین خروجی شده است که نشان دهنده دقت بسیار مطلوب به ترتیب در هر چهار روش عبارت است از ANN، QNET، SVM و GEP در پیش بینی ضریب دبی سرریز غیرخطی است. نتایج آنالیز حساسیت نشان داد که پارامتر موثر در تعیین ضریب دبی سرریز غیرخطی در تمامی روش ها پارامتر نسبت بار آبی کل (H_T/p) می باشد. مقایسه نتایج این تحقیق با سایر محققین نشان می دهد که شاخصه های ارزیابی برای تمامی روش های تحقیق حاضر نسبت به سایر محققین نسبتا بهتر می باشد.