استفاده از شبکه عصبی مصنوعی و مدل درختی M5 برای تعیین ضریب دبی سرریز لبه پهن مستطیلی

نوع مقاله : مقاله پژوهشی

نویسندگان

گروه سازه‌های آبی، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

چکیده

سرریز لبه پهن سازه‌ای ساده برای اندازه‌گیری دبی جریان در کانال‌های انتقال آب است. ویژگی شکل آن و وزن زیاد آن باعث می‌شود تا اغلب به عنوان سرریز سدها نیز بکار رود. گاهی نیز این نوع سازه برای بدنه سد مد نظر قرار می‌گیرد. در این تحقیق توانایی شبکه عصبی مصنوعی و مدل درختی M5 در تخمین ضریب دبی (Cd) سرریز لبه پهن بررسی شده و نتایج این دو مدل با روش رگرسیون غیرخطی چند متغیره لجستیک قابل اعمال روی داده‌های گسسته مقایسه شده است. برای این کار چهار سری داده حاصل از تحقیقات متفاوت روی سرریزهای لبه پهن مستطیلی استفاده شده و پارامترهای بی‌بعد H1/L و H1/P به عنوان ورودی مدل‌ها در نظر گرفته شده و پارامتر هدف Cd به عنوان خروجی از مدل‌ها استخراج شده است. نتایج حاصله نشان داد که هر سه روش مذکور نتایج نسبتا دقیقی را جهت تخمین ضریب دبی سرریز لبه پهن ارائه می‌دهند (ANN: R=0.966 ، M5Rule: R=0.935 و Regression: R=0.84) ولی به دلیل ارائه روابط خطی ساده و قابل فهم توسط مدل درختی M5، این روش می-تواند به عنوان روشی کاربردی و جایگزین برای محاسبه ضریب دبی مد نظر قرار گیرد. همچنین H1/L مهمترین پارامتر دخیل در محاسبه ضریب دبی سرریز لبه پهن مستطیلی می‌باشد. تحلیل مدل درختی M5 نشان داد که 4 قانون با معادلات خطی متفاوت، الگوی تغییرات Cd را مدل می‌کند. تحلیل رگرسیون غیرخطی نشان داد که نقطه H1/L=0.22 محل تلاقی کلیه منحنی‌های تغییرات Cd به شمار می‌آید.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Application of Artificial Neural Network and M5 model tree for determination of discharge coefficients in broad crested weirs

نویسندگان [English]

  • Farzin Salmasi
  • Farnaz Nahrain
  • Ali Taheri aghdam
Department of Water Engineering, Faculty of Agriculture, University of Tabriz, Tabriz, Iran
چکیده [English]

Broad crested weir is a simple structure for discharge measurement at water inlet channels. In addition, it is using as dam’s weir because of its geometrical shape and high weights. The entrance of some stepped weirs or chutes is designing in type of broad crested weir. Sometimes this structure is using as dam’s body. In this study, the ability of Artificial Neural Network (ANN) and M5 model tree in predicting of discharge coefficient (Cd) in broad crested weir have been considered and the results of these two models have been compared with nonlinear regression method. For this purpose four series of data resulting from different researches on rectangular broad crested weir have been used and the dimensionless parameters of H1/L and H1/P have been defined as entrance of ANN and M5 model tree and the target parameter (Cd) have been extracted as output of the models. Results showed that all the three method have a reasonable prediction for Cd (ANN: R=0.966 ، M5Rule: R=0.874 and Regression: R=0.84(but due to having simple equations with M5 Model tree, this method would be used as an efficient application for the estimation of discharge coefficient. Also, H1/L is the most important parameter in calculating the Discharge coefficient of Broad crested weir. M5 Model tree provides four linear equations (rules) for estimation of Cd. Non-linear regression analysis showed that point H1/L=0.22 is an intersection of the all curves for Cd variation.

کلیدواژه‌ها [English]

  • Discharge Coefficient
  • Broad crested weir
  • Artificial Neural Network
  • nonlinear regression method
  • M5 model tree