پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شماره‌ها | 610 |
| تعداد مقالات | 9,026 |
| تعداد مشاهده مقاله | 67,082,757 |
| تعداد دریافت فایل اصل مقاله | 7,656,171 |
تخمین ضریب دبی دریچه‌های کشویی در شرایط جریان مستغرق با بهره‌گیری از فنون محاسبات نرم | ||
| مدل سازی در مهندسی | ||
| مقاله 1، دوره 20، شماره 71، دی 1401، صفحه 1-12 اصل مقاله (1.29 M) | ||
| نوع مقاله: مقاله عمران | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2022.23349.2090 | ||
| نویسندگان | ||
| آرمان علیرضازاده صدقیانی1؛ میر علی محمدی* 2؛ میثاق گلوانی3؛ بابک واحددوست4 | ||
| 1گروه مهندسی آب /دانشکده عمران/دانشگاه تبریز/تبریز/ایران | ||
| 2دانشیار مهندسی عمران- هیدرولیک و مکانیک مهندسی رودخانه، دانشکده فنی و مهندسی، دانشگاه ارومیه. | ||
| 3دانشجوی کارشناسی ارشد مهندسی عمران- سازه، دانشکده فنی، دانشگاه ارومیه، ایران | ||
| 4استادیار گروه مهندسی عمران، دانشکده فنی، دانشگاه صنعتی بورسا، ترکیه | ||
| تاریخ دریافت: 24 اردیبهشت 1400، تاریخ بازنگری: 04 مرداد 1400، تاریخ پذیرش: 04 بهمن 1400 | ||
| چکیده | ||
| تخمین ضریب دبی دریچه‌های کشویی در شرایط جریان آزاد و مستغرق همواره یکی از موضوعات مورد علاقه محققین هیدرولیک بوده است. در سال‌های اخیر روابط نیمه تجربی مختلفی به‌منظور تخمین ضریب دبی دریچه‌های کشویی در شرایط جریان مستغرق ارائه شده که کاربرد این روابط اغلب با خطاهای بزرگی همراه بوده است. هدف از پژوهش حاضر استفاده از روش‌های رگرسیون فرایند گاوسی (GPR) و ماشین بردار پشتیبان (SVM) به عنوان فنون محاسبات نرم به‌منظور تخمین ضریب دبی دریچه‌های کشویی در شرایط جریان مستغرق و مقایسه نتایج حاصل با روش‌های نیمه تجربی بوده است. بدین منظور، با به‌کارگیری تعداد 122 دادة آزمایشگاهی، مدل‌های مختلفی بر اساس ترکیب پارامترهای بدون بعد تعریف شده و دقت این مدل‌ها مورد ارزیابی قرار گرفت. نتایج حاصل کارایی بالای روش‌های هوش مصنوعی را نسبت به روش‌های تجربی به‌خوبی نشان داد. به راستی، بررسی مدل‌های مختلف نشان داد که تکنیک ماشین بردار پشتیبان به همراه پارامترهای ورودی y_t⁄w ، y_"0" ⁄w ،"1"/〖Fr〗^"2" و S با دارا بودن مقادیر 017/0RMSE=، 97/0R= و 95/0NSE= عملکرد بهتری نسبت به تکنیک رگرسیون فرایند گاوسی و سایر روش‌های نیمه تجربی در تخمین ضریب دبی دریچه‌های کشویی در شرایط جریان مستغرق دارا می‌باشد. | ||
| کلیدواژه‌ها | ||
| دریچه‌کشویی "؛ ضریب دبی"؛ هوش مصنوعی"؛ ماشین بردار پشتیبان"؛ "؛ روش‌های نیمه تجربی" | ||
| عنوان مقاله [English] | ||
| On the Prediction of Discharge Coefficient for Sluice Gates under Submerged Flow Conditions using Soft Computing Techniques | ||
| نویسندگان [English] | ||
| arman alirezazadeh sadaghiyani1؛ Mirali Mohammadi2؛ misagh galvani3؛ babak vaheddoost4 | ||
| 1Department of Water Engineering, Faculty of Civil Engineering, University of Tabriz, Tabriz, Iran | ||
| 2Associate Professor in Civil Eng. Hydraulics & River Eng. Mechanics, Department of Civil Engineering, Faculty of Eng., Urmia University. | ||
| 3MSc Student, Department of Civil Eng., Faculty of Eng., Urmia University, Urmia, Iran. | ||
| 4Assistant Professor, Department of Civil Eng., Faculty of Eng., Bursa Technical University, Bursa, Turkey. | ||
| چکیده [English] | ||
| Prediction of flow discharge coefficient, Cd, for a sluice gate under free and submerged flow conditions is one of the essential issues in hydraulics. In recent years, various semi-empirical equations have been developed in order to predict Cd for a sluice gate that application of those formulas under submerged flow conditions suffered from large errors. The aim of the present research is to use Gaussian Process Regression (GPR) and Support Vector Machine (SVM) used in soft computing techniques, so that estimating Cd in submerged flow conditions and comparing the results with quasi-experimental methods are of interest, herein. For this purpose, an experimental dataset comprised of 122 data points were used to feed the methods utilized. Different combinations of dimensionless parameters were then prepared and the performance of the afore mentioned methods were assessed. The results showed that SVM with input parameters of 𝑦𝑡⁄𝑤, 𝑦0⁄𝑤, 1/𝐹𝑟2 and S by the values of Root Mean Square Error (RMSE=0.017), correlation coefficient (R=0.97) and Nash-Sutcliffe Equivalent (NSE=0.95) had a better performance than GPR and other semi-empirical approaches, indeed. | ||
| کلیدواژه‌ها [English] | ||
| Sluice Gate", Discharge Coefficient", Artificial Intelligence", Support Vector Machine (SVM)", ", Semi-Emperical Methods" | ||
| مراجع | ||
|
[1] H.R. Henry, "A study of flow from a submerged sluice gate", MSc Thesis, Department of Mechanics and Hydraulics, Iowa State Univ., Ames, IA, 1950. [2] N. Rajaratnam, and K. Subramanya, "Practical problems of sluice gate flow", Water Power, Vol. 21, 1969, pp.112–115. [3] P.K. Swamee, "Sluice gate discharge equations", Journal of Irrigation and Drainage Engineering, Vol.118(1), 1992, pp. 56-60. [4] A. Roth, W. H. Hager, "Underflow of standard sluice gate", Experiments in Fluids, Vol.27(4), August 1999, pp.339–350 [5] V. Ferro, "Simultaneous flow over and under a gate", Journal of Irrigation and Drainage Engineering, Vol. 126(3), 2000, pp.190-193 [6] M. Ansar, "Discussion of simultaneous flow over and under a gate by V. Ferro", Journal of Irrigation and Drainage Engineering, Vol. 127(5), 2001, pp.325-326. [7] Y. Shammaa, D. Zhu, and N.Rajaratnam, " Flow Upstream of Orifices and Sluice Gates", Journal of Hydraulic Engineering, Vol. 131(2), 2005, pp. 127–133. [8] G. Belaud, L. Cassan, and J.P. Baume, "Calculation of Contraction Coefficient under Sluice Gates and Application to Discharge Measurement", Journal of Hydraulic Engineering, Vol. 135(12), 2009, pp.1086-1091. [9] D. Kim, "Numerical analysis of free flow past a sluice gate", KSCE Journal of Civil Eng., Vol. 11(2), 2007, pp. 127-132 [10] O. Alminagorta, and G. Merkley, "Transitional Flow between Orifice and Nonorifice Regimes at a Rectangular Sluice Gate", Journal of Irrigation and Drainage Engineering, Vol. 135(3), 2009, pp. 382–387 [11] D. Lozano, L. Mateos, G. P. Merkley, and A. J.Clemmens, "Field calibration of submerged sluice gates in irrigation canals", Journal of Irrigation and Drainage Engineering, Vol. 135(6), 2009, pp. 763–773. [12] A. Habibzadeh, A. Vatankhah, and N. Rajaratnam, "Role of Energy Loss on Discharge Characteristics of SluiceGates". Journal of Hydraulic Engineering, Vol. 137(9), 2011, pp. 1079–1084. [13] M. Bijankhan, V. Ferro, and S. Kouchakzadeh, "New stage-discharge relationships for free and submerged sluice gates", Journal of Flow measurement and instrumentation, Vol. 28, 2012, pp. 50-56 [14] H . Khalili Shayan, and J. Farhoudi, "Effective parameters for calculating discharge coefficient of sluice gates" Journal of Flow Measurement and Instrumentation, Vol. 33, 2013, pp. 96-105. [15] F.S. Sauida, "Calibration of submerged multi-sluice gates", Alexandria Engineering Journal, Vol. 53(3), 2014, pp. 663-668. [16] H. K. Shayan, J. Farhoudi, and R. Roshan, "Estimation of flow discharge under the sluice and radial gates based on contraction coefficient", Iranian Journal of Science and Technology. Transactions of Civil Engineering. 38(C2), 2014, pp. 449. [17] M. Bijankhan, and S. Kouchakzadeh, "The hydraulics of parallel sluice gates under low flow delivery condition", Journal of Flow Measurement and Instrumentation, 2014. [18] R. A. E. H. Rady, "Modeling of flow characteristics beneath vertical and inclined sluice gates using artificial neural networks", Ain Shams Engineering Journal. Vol. 7(2), 2016, pp. 917-924. [19] R. Norouzi, R. Daneshfaraz, and A. Ghaderi, "Investigation of discharge coefficient of trapezoidal labyrinth weirs using artificial neural networks and support vector machines", Journal of Applied Water Science.Vol.9, 2019, pp. 148. [20] F. Salmasi, M. Nouri, P. Sihag, and J. Abraham, "Application of SVM, ANN, GRNN, RF, GP and RT models for predicting discharge coefficients of oblique sluice gates using experimental data", Water Supply, Vol. 21, 2021, pp. 232–248. [21] K. Woycicki, "Deckwalze und Ausfluss unter einer Schütze (Hydraulic jump, roller and outflow from below a gate) ", ETH Zurich, Zürich, Dissertation 639, 1931 [in German]. [22] H.S. Shayan, J. Farhoudi, A.B. Khezerloo, "Theoretical and experimental study of flow from sluice gates", Water Management, 2015, Vol. 167, pp. 152–163. [23] C. E. Rasmussen, and C. K. Williams, "Gaussian process for machine learning", MIT press, 2006. [24] M. Pal, and S. Deswal, "Modelling pile capacity using Gaussian process regression", Computers and Geotechnics, Vol. 37(7-8), 2010, pp. 942-947. [25] V. Vapnik, "Statistical learning theory", Wiley, New York, 1998. ]26[ محمد شفیعی نیک آبادی و سید علی عظیمی، "پیش بینی تقاضا در زنجیره تامین با استفاده از الگوریتم های یادگیری ماشین (مورد مطالعه: زنجیره تامین شرکت ایران خودرو) "، نشریه مدل‌سازی در مهندسی، دوره 13، شماره 41، تابستان 1394، صفحه 127- 136. ]27[ مهراله رخشانی مهر، محسن راشکی، محمود میری و مهدی اژدری مقدم، "ارزیابی قابلیت اطمینان قاب‌های خمشی فلزی با استفاده از روش شبیه‌سازی وزنی و درونیابی تابع پایه شعاعی"، نشریه مدل‌سازی در مهندسی، دوره 14، شماره 47، زمستان 1395، صفحه 21- 32.
[28] N. Nasehi Oskuyi, and F. Salmasi, "Vertical Sluice Discharge Coefficient", Journal of Civil Engineering and Urbanism, 2012, pp. 108-114. ]29[ مهدی اژدری مقدم، نصرت اله امانیان و احسان جعفری ندوشن، "بهینه یابی هندسه سرریز کنگره‌ای مثلثی با استفاده از مدل فازی- عصبی و الگوریتم ژنتیک (مطالعه موردی سدHyrum درایالت یوتای آمریکا)"، نشریه مدل‌سازی در مهندسی، دوره 5، شماره 19، زمستان 1388، صفحه 57- 68.
| ||
|
آمار تعداد مشاهده مقاله: 859 تعداد دریافت فایل اصل مقاله: 485 |
||