ارزیابی عملکرد مدل LS-SVR در تخمین عمق آبشستگی در گروه پایه پل ها
Publish Year: 1403
Type: Journal paper
Language: Persian
View: 154
This Paper With 15 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
JR_JEWE-10-1_007
Index date: 19 January 2024
ارزیابی عملکرد مدل LS-SVR در تخمین عمق آبشستگی در گروه پایه پل ها abstract
در این پژوهش از دو مدل یادگیری ماشین شامل LS-SVR و ANFIS برای پیشبینی عمق آب شستگی اطراف پایههای پل استفاده شد. برای این منظور از ۲۴۰ سری داده شامل پارامترهای مرتبط با هندسه پایه ها، شرایط جریان و خصوصیات جریان و نیز پارامترهای بدون بعد استفاده شد. برای پیشبینی از دو الگوی ورودی استفاده شد. در الگوی اول، پارامترهای بدون بعد و در الگوی دوم پارامترهای با بعد در نظر گرفته شدند. عملکرد مدل ها با استفاده از معیارهای ریشه میانگین مربعات خطا (RMSE)، میانگین درصد مطلق خطا (MAPE) و ضریب نش-ساتکلیف (NSE) ارزیابی شدند. نتایج نشان داد که در هر دو مدل، استفاده از پارامترهای با بعد برای پیشبینی منجر به دقت بالای پیشبینی می شود. مقایسه بین مدل ها نیز نشان داد که الگوریتم LS-SVR با معیارهایRMSE=۴۶.۸۴, MAPE=۳۸.۰۳ , NSE=۰.۶۲ برای دادههای آزمون الگوی اول و RMSE=۲۸.۶۲ , MAPE=۳۸.۹۷ , NSE=۰.۶۷ برای دادههای آزمون الگوی دوم دقت بالاتری نسبت به الگوریتم ANFIS دارد. نتایج این تحقیق حاکی از این است که مدلهای یادگیری ماشین جایگزین مناسبی برای مدلهای تجربی در پیشبینی عمق آبشستگی پایههای پل هستند.
ارزیابی عملکرد مدل LS-SVR در تخمین عمق آبشستگی در گروه پایه پل ها Keywords:
ارزیابی عملکرد مدل LS-SVR در تخمین عمق آبشستگی در گروه پایه پل ها authors
بیژن صناعتی
استادیار، گروه عمران، دانشکده مهندسی، دانشگاه آزاد اسلامی، واحد بوکان، بوکان، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :