تخمین عمق آبشستگی پایین‌دست شیب‌شکن قائم با استفاده از الگوریتم ماشین بردار پشتیبان

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی عمران ، دانشکده فنی، دانشگاه ارومیه

2 گروه مهندسی عمران، دانشکده فنی دانشگاه ارومیه

3 گروه عمران، دانشکده فنی مهندسی، دانشگاه ارومیه.

10.22091/cer.2022.8208.1395

چکیده

آبشستگی پایین‌دست شیب‌شکن قائم می‌تواند یکی از عوامل ناپایداری و خرابی این سازه باشد. در تحقیق حاضر، عمق آبشستگی پایین‌دست شیب‌شکن قائم با استفاده از روش ماشین بردار پشتیبان (SVM) پیش‌بینی شده است. بدین ‌منظور، برای تخمین عمق آبشستگی پایین‌دست شیب‌شکن قائم، 104 داده‌ی آزمایشگاهی مختلف مورد استفاده قرار گرفته ‌است. این داده‌ها تابعی از دو پارامتر بی‌بُعدِ عدد فرود ذرات رسوبی (Frj) و عمق نسبی پایاب (yt/yj) می‌باشند که در سه مدل متفاوت وارد شبکه ماشین بردار پشتیبان شده‌اند. جهت ارزیابی نتایج حاصل، معیارهای ارزیابی ضریب تعیین (R2)، جذر میانگین مربعات نرمال‌سازی شده خطاها (NRMSE)، ضریب کارایی (DC) و میانگین قدر مطلق خطای نسبی (MARE) به کار برده شده‌اند. نتایج نشان داده که مدل شماره (1) با ترکیب ورودی (Frj و yt/yj) با داده‌های آماری R2=0.9777، DC=0.929، NRMSE=0.0775 و MARE=%11.89 برای مرحله‌ی آزمون منجر به حصول بهترین نتیجه می‌شود و روش ماشین بردار‌ پشتیبان نیز در تخمین عمق نسبی آبشستگی از دقتی مناسب، نتایجی مقبول و عملکردی مطلوب برخوردار است. همچنین، مشخص شد که عدد فرودِ ذره رسوبی تأثیر بیشتری بر تخمین عمق نسبی آبشستگی در مقایسه با عمق نسبی پایاب دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Estimation of the downstream scour depth of vertical drop using the support vector machine (SVM) algorithm

نویسندگان [English]

  • hossein mohammadnezhad 1
  • Mirali Mohammadi 2
  • Mohammad Bagherzadeh 3
1 Department of Civil Engineering, Faculty of Engineering, Urmia University
2 Department of Civil Eng., Faculty of Eng., Urmia University.
3 Department of Civil Engineering, Faculty of Engineering, Urmia University
چکیده [English]

The downstream scour of the vertical drop can be one of the causes of instability and failure of this structure. In the present study, the downstream scour depth of this structure predicted using the support vector machine (SVM) method. For this purpose, 104 experimental data used to estimate the scour depth. hese data are a function of the two dimensionless parameters of dansimetric Froude number (Frj) and tailwater depth (yt / yj) that have been entered into the SVM in three different models. To evaluate the results, the evaluation criteria of R2, NRMSE, DC, and MARE used. The results showed that model number (1) with the input combination (Frj and yt / yj) with R2 = 0.9777, DC = 0.929, NRMSE = 0.0775, and MARE = 11.89% for the test stage leads to the best result. The SVM method also has appropriate accuracy, acceptable results, and desirable performance in estimating the scour depth. Also, it was found that the densimetric froude number has a greater effect on estimating the relative scour depth compared to the tailwater depth.

کلیدواژه‌ها [English]

  • Scour Depth
  • Vertical drop
  • Support Vector Machine
  • Tailwater Depth
  • Densimetric Froude Number
CAPTCHA Image