سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

Login
PapersConferencesJournals

ارزیابی عملکرد مدل های مبتنی بر یادگیری ماشین در برآورد حداکثر عمق آبشستگی اطراف دماغه آبشکن نوع باندال لایک

Publish place: Iranian Journal of Soil and Water Research، Vol: 55، Issue: 6
Publish Year: 1403
Type: Journal paper
Language: Persian
View: 73

This Paper With 17 Page And PDF Format Ready To Download

DOWNLOAD Paper

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

Export:

Link to this Paper:
https://civilica.com/doc/2073128

Document National Code:

JR_IJSWR-55-6_006

Index date: 16 September 2024

ارزیابی عملکرد مدل های مبتنی بر یادگیری ماشین در برآورد حداکثر عمق آبشستگی اطراف دماغه آبشکن نوع باندال لایک abstract

در تحقیق حاضر عملکرد روش های مبتنی بر یادگیری ماشین به منظور پیش بینی حداکثر عمق آبشستگی اطراف آبشکن نوع باندال لایک مورد ارزیابی قرار گرفت. برای این منظور سه روش مدل جنگل های تصادفی (RF)، ماشین بردار پشتیبان (SVM) و روش برنامه ریزی بیان ژن (GEP) مورد استفاده قرار گرفت. به منظور آموزش و آزمایش مدل ها از ۱۰۸ سری اطلاعات (۸۷ سری برای آموزش و ۲۱ سری برای تست) مستخرج از نتایج یک تحقیق آزمایشگاهی استفاده شد. مدل ها با ترکیب های متفاوتی (تک متغیره، دو متغیره، سه متغیره و چهار متغیره) از ورودی ها (Fr: عدد فرود جریان، S/L: نسبت فاصله به طول آبشکن،θ: زاویه نصب آبشکن نسبت به ساحل و α:  تخلخل قسمت نفوذپذیر سازه) مورد ارزیابی قرار گرفتند. نتایج حاصل نشان داد برای تمامی روش ها در حالت ورودی تک متغیره، بیشترین و کمترین تاثیر به ترتیب مربوط به پارامترهای α و S/L بودند. در مدل SVM با افزایش تعداد ورودی ها از تک متغیره به دومتغیره میانگین شاخص MAE تقریبا ۲ برابر افزایش یافت. در مدل GEP نیز افزایش تعداد ورودی ها از سه متغیره به ۴ متغیره میانگین شاخص MAE تقریبا ۵/۳ برابر افزایش یافت. ولی در روش RF افزایش تعداد ورودی ها منجر به افزایش دقت مدل شد و متوسط شاخص MAE در حالت ۴ متغیره نسبت به سه متغیره ۸۳ درصد کاهش یافت. در نهایت مشخص شد روش RF در برآورد عمق آبشستگی اطراف آبشکن نوع باندال لایک از عملکرد بسیار بهتری (۰۰۶/۰= RMSEو ۰۰۹/۰=MAE) نسبت به سایر روش ها برخوردار بوده و این مدل با ورودی های یکسان از پراکنش خطای کمتری برخوردار بود.

ارزیابی عملکرد مدل های مبتنی بر یادگیری ماشین در برآورد حداکثر عمق آبشستگی اطراف دماغه آبشکن نوع باندال لایک Keywords:

ارزیابی عملکرد مدل های مبتنی بر یادگیری ماشین در برآورد حداکثر عمق آبشستگی اطراف دماغه آبشکن نوع باندال لایک authors

یوسف صادقی

گروه سازه های آبی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران.

مهدی دریائی

گروه سازه های آبی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران.

فرشاد احمدی

گروه هیدرولوژی و منابع آب، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران

سیدمحمود کاشفی پور

گروه سازه های آبی، دانشکده مهندسی آ و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، 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 :
Abbaszadeh, H., Norouzi, R., Sume, V., Kuriqi, A., Daneshfaraz, R., ...
Abbaszadeh, H., Daneshfaraz, R., Sume, V., & Abraham, J. (۲۰۲۴). ...
Ahmadi, F., Mehdizadeh, S., Mohammadi, B., Pham, Q. B., Doan, ...
Azimi, H., Shabanlou, S., Ebtehaj, I., Bonakdari, H., & Kardar, ...
Bagatur, T., & Onen, F. (۲۰۱۶). Computation of design coefficients ...
Basser, H., Karami, H., Shamshirband, S., Jahangirzadeh, A., Akib, S., ...
Breiman, L. (۲۰۰۱). Random Forests. Machine Learning. ۴۵(۱): pp. ۵–۳۲ ...
Daneshfaraz, R., Norouzi, R., & Abbaszadeh, H. (۲۰۲۱). Numerical Investigation ...
Dehghani, R., Torabi Poudeh, H., Younesi, H., & Shahinejad, B. ...
Essam, Y., Huang, Y. F., Ng, J. L., Birima, A. ...
Ferreira, C. (۲۰۰۲). Genetic representation and genetic neutrality in gene ...
Ferreira, C. Gene expression programming: A new adaptive algorithm for ...
Hassanzadeh, Y., & Abbaszadeh, H. (۲۰۲۳). Investigating Discharge Coefficient of ...
He, S., Wu, J., Wang, D., & He, X. (۲۰۲۲). ...
Katipoğlu, O. M., Yeşilyurt, S. N., Dalkılıç, H. Y., & ...
Kumar, S., Goyal, M.K., Deshpande, V., & Agarwal, M. (۲۰۲۳). ...
Kumar, V., Kedam, N., Sharma, K. V., Mehta, D. J., ...
Najafzadeh, M., Oliveto, s. (۲۰۲۱). More reliable predictions of clear-water ...
Norouzi, H., Nadiri, A.A., Asghari Mogaddam, A., & Gharekhani, M. ...
Nou, M. R. G., Foroudi, A., Latif, S. D., & ...
Pandey, M., Ahmad, Z., & Sharma, P. K. (۲۰۱۶). Estimation ...
Pandey, M., Jamei, M., Ahmadianfar, I., Karbasi, M., Lodhi, A.S., ...
Parisouj, P., Mohebzadeh, H., & Lee, T. (۲۰۲۰). Employing machine ...
Parsaie, A., Haghiabi, A. H., & Moradinejad, A. (۲۰۱۹). Prediction ...
Roushangar, K., Goodarzi, S., & Abbaszadeh, H. (۲۰۲۴). Numerical Investigation ...
Shojaeian, Z., Kashefipour, S.M., Mosavi Jahromi, S.H., & Shafaee Bajestan, ...
Teraguchi, H., Nakagawa, H., Kawaike, K., Bans, Y., & Zhang, ...
Tikhamarine, Y., Souag-Gamane, D., & Kisi, O. (۲۰۱۹). A new ...
Tripathi, R. P., & Pandey, K. (۲۰۲۳). Gene-expression programming for ...
Wang K., Wen, X., Hou, D., Tu, D., Zhu, N., ...
نمایش کامل مراجع