مدل سازی ضریب دبی سرریز کرامپ با استفاده از روش های یادگیری ماشینی

سرریز کرامپ در طبقه ­بندی سرریزها در میان سرریزهای لبه کوتاه جای می گیرد. طراحی این سرریز به گونه ای است که شیب بالادست آن بیشتر از شیب پایین دست آن بوده و موجب می شود که رسوبات به راحتی تخلیه گردند. در این تحقیق عملکرد روش­های -kنزدیک ترین همسایگی و رگرسیون بردار پشتیبان در مدل­سازی ضریب دبی سرریز کرامپ با استفاده از داده های آزمایشگاهی موردبررسی قرار گرفت. داده ها در ۱۷۴ دسته و ۹ ترکیب مختلف از پارامترهای ورودی شامل شیب بالادست (Sup )، شیب پایین دست (Sdo)، عدد رینولدز (Re) و نسبت عمق آب روی سرریز در بالادست به ارتفاع سرریز (h۱/P) مورداستفاده قرار گرفت. در چهار مرحله به ترتیب ۶۶، ۷۰، ۷۵ و ۸۰ درصد داده های آزمایشگاهی برای آموزش و مابقی آن ها در هر مرحله جهت آزمون استفاده گردید. براساس یافته­ها در هر دو روش، بهترین نتیجه زمانی حاصل می شود که از ۸۰ درصد داده ها برای آموزش و ۲۰ درصد داده ها برای آزمون استفاده شود. از سوئی دیگر روش نزدیک ترین همسایگی در مقایسه با رگرسیون بردار پشتیبان از توانمندی بیشتری در مدل سازی ضریب دبی سرریز کرامپ برخوردار بوده و نسبت (h۱/P) تاثیر مهمی در تخمین ضریب دبی سرریز کرامپ داشته و قادر است با دقت نسبتا بالایی ضریب دبی سرریز را مدل سازی نماید. همچنین نتایج نشان داد با کاربرد ترکیب ورودی شامل پارامترهای h۱/P, Sup , Sdo، روش­های رگرسیون بردار پشتیبان و نزدیک ترین همسایگی به ترتیب با ضرایب همبستگی ۹۶۹/۰ و ۹۸۷/۰ بیشترین دقت را از خود نشان دادند.

Keywords:

رگرسیون بردار پشتیبان , سرریز کرامپ , ضریب دبی , -kنزدیک ترین همسایگی