تعیین ضریب تخلیه سرریزهای جانبی با استفاده از شبکه عصبی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار گروه مهندسی عمران،مهندسی و مدیریت منابع آب، دانشگاه یاسوج

2 گروه آموزشی مهندسی عمران.مدیریت منابع آب دانشگاه یاسوج

3 کارشناس ‌ارشد، مهندسی عمران گرایش مهندسی و مدیریت منابع آب، دانشگاه یاسوج

چکیده

سرریزهای جانبی(Side weirs)، سازه‌های منحرف‌کننده جریان هستند که در صنعت آبیاری و زهکشی، کنترل سیلاب، مهندسی بهداشت و سیستم‌های فاضلاب شهری کاربرد فراوانی دارند. تاکنون ضریب دبی در این نوع سرریزها با استفاده از تکنیک‌های رگرسیون و به‌صورت تجربی تعیین ‌شده است و به همین دلیل در تحقیق حاضر از مدل‌های رگرسیون خطی و شبکه عصبی مصنوعی برای پیش‌بینی ضریب تخلیه سرریز جانبی استفاده شد و نتایج آن‌ها با یکدیگر و با مقادیر محاسباتی مقایسه و بهترین مدل در این زمینه برای پیش‌بینی انتخاب شد. ضریب تخلیه سرریزهای جانبی بر اساس ترکیبات متعددی از متغیرهای مستقل بی‌بعد شامل نسبت طول به عرض سرریز (L/B)، نسبت عمق جریان در پایین‌دست سرریز به ارتفاع سرریز (Hd/P)، نسبت طول سرریز به ارتفاع سرریز (L/P)، نسبت دبی تخلیه سرریز به دبی بالادست (Qw/Qu) و نسبت عمق جریان در بالادست سرریز به عرض سرریز (Hu/B) پیش بینی شد. مدل ANN7 با ورودی‌های L/P, Qw/Qu, hu/B دارای بیشترین مقدار ضریب رگرسیون برابر با 92/0 و مقادیر خطای RMSE و MAE برابر با 23/0 و 15/0 بهترین پیش‌بینی را انجام داد.مدل Reg1 با مقادیر ضریب رگرسیونی، RMSE و MAE به ترتیب برابر با 72/0، 17/0 11/0 بهترین نتایج را در پیش‌بینی ایجاد کرد و به‌عنوان بهترین مدل رگرسیون خطی انتخاب گردید.نتایج کلی نشان داد که مدل‌های ANN نسبت به مدل‌های رگرسیون خطی نتایج بهتری را ایجاد می کنند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Determining the Discharge Coefficient of Lateral Overflows Using Neural Network

نویسندگان [English]

  • Hossein Montaseri 1
  • Reza Khalili 2
  • Mehdi Malek mahmudi 3
1 Assistant Professor, Department of Civil Engineering, Water Resources Engineering and Management, Yasouj University
2 Department of Civil Engineering. Water Resources Management, Yasouj University
3 Master's degree in Civil Engineering, Water Resources Engineering and Management, Yasouj University
چکیده [English]

Side weirs are flow diverting structures that are widely used in irrigation and drainage industry, flood control, sanitary engineering and urban sewage systems. So far, the discharge coefficient in this type of overflows has been determined experimentally using regression techniques, and for this reason, in this research, linear regression models and artificial neural network were used to predict the discharge coefficient of the lateral overflow, and their results are in agreement with each other and with Computational values were compared and the best model in this field was selected for prediction. The discharge coefficient of lateral spillways is based on several combinations of dimensionless independent variables including the ratio of length to width of the spillway (L/B), the ratio of the flow depth downstream of the spillway to the height of the spillway (Hd/P), the ratio of the length of the spillway to the height of the spillway (L/ P), the ratio of weir discharge flow to upstream flow (Qw/Qu) and the ratio of flow depth upstream of weir to weir width (Hu/B) were predicted. ANN7 model with inputs L/P, Qw/Qu, hu/B has the highest value of regression coefficient equal to 0.92 and RMSE and MAE error values equal to 0.23 and 0.15 performed the best prediction. Reg1 model with the values of regression coefficient, RMSE and MAE equal to 0.72, 0.17 and 0.11, respectively, it created the best results in prediction and was selected as the best linear regression model. The general results showed that ANN models compared to linear regression produces better results.

کلیدواژه‌ها [English]

  • Side overflows
  • Neural network
  • Discharge coefficient
  • ANN model

مراجع

Akbar, M. F., Alkatiri, R. and Tuli, Z. (2022) ‘Socio-Economic Aspects of Community in Limboto Lake Management in Telaga Biru District, Gorontalo Regency’, Journal La Bisecoman, 3(2), pp. 59–64.
Bilhan, O., Emiroglu, M. E. and Kisi, O. (2011) ‘Use of artificial neural networks for prediction of discharge coefficient of triangular labyrinth side weir in curved channels’, Advances in Engineering Software, 42(4), pp. 208–214.
  Chuengsatiansup, C. et al. (2022) ‘Side-Channeling the Kalyna Key Expansion’, in Cryptographers’ Track at the RSA    Conference. Springer, pp. 272–296.
Gamero, P. et al. (2022) ‘Shallow-water lee-side waves at obstacles: Experimental characterization and turbulent non- hydrostatic modeling using weighted-averaged residual equations’, Environmental Modelling & Software, p. 105422.
Hu, Z. et al. (2021) ‘Using soft computing and machine learning algorithms to predict the discharge coefficient of curved labyrinth overflows’, Engineering Applications of Computational Fluid Mechanics, 15(1), pp. 1002–1015.
Khalili, R., Parvinnia, M. and Zali, A. (2020) ‘Water Quality Assessment of Garmarood River Using the National Sanitation Foundation Water Quality Index (NSFWQI), River Pollution Index (RPI) and Weighted Arithmetic Water Quality Index (WAWQI)’, Environment and Water Engineering, 6(3), pp. 274–284. doi: 10.22034/jewe.2020.238090.1381.
Khalili, R., Zali, A. and Motaghi, H. (2021) ‘Evaluating the Heavy Metals in the Water and Sediments of Haraz River, Using Pollution Load Index (PLI) and Geo accumulation Index (Igeo)’, Iranian Journal of Soil and Water Research. doi: 10.22059/ijswr.2021.316080.668850.
mehri,  yaser and Abbasi, N. (2020) ‘Estimating the Discharge Coefficient of the Type B Piano-Key Side Weir at a 120°  Curve using RBF and ANFIS Models in Comparison with Artificial Neural Networks’, Irrigation Sciences and   Engineering, 43(1), pp. 89–100. doi: 10.22055/jise.2018.24375.1723.
Mouritsen, J., Pedraza-Acosta, I. and Thrane, S. (2022) ‘Performance, risk, and overflows: When are multiple management  control practices related?’, Management Accounting Research, 55, p. 100796.
Qabadian, R. and Shafa’i Bejestan, M. (2019) ‘Optimizing the discharge coefficient of lateral overflows in irrigation canals using artificial neural networks’, National Conference on Management of Irrigation and Drainage Networks.: undefined. Available at: https://civilica.com/doc/5500.
Saffar, S. et al. (2021) ‘Prediction of the discharge of side weir in the converge channels using artificial neural networks’, Flow Measurement and Instrumentation, 78, p. 101889.
Watanabe, K. et al. (2020) ‘Development of geosynthetic-reinforced soil embankment resistant to severe earthquakes and  prolonged overflows due to tsunamis’, Soils and Foundations, 60(6), pp. 1371–1386.
 

فایل ها

سابقه مقاله

  • تاریخ دریافت: 10 مرداد 1401
  • تاریخ بازنگری: 14 شهریور 1401
  • تاریخ پذیرش: 06 مهر 1401
  • تاریخ اولین انتشار: 06 مهر 1401

اشتراک گذاری

ارجاع به این مقاله

آمار