مطالعه آزمایشگاهی مقاومت جریان در حضور پوشش گیاهی صلب و پیش بینی آن با مدل های هوشمند

یاسر مهری; محمدحسین امید; صلاح کوچک زاده; محسن نصرآبادی

مطالعه آزمایشگاهی مقاومت جریان در حضور پوشش گیاهی صلب و پیش بینی آن با مدل های هوشمند

Publish place: Iranian Journal of Soil and Water Research، Vol: 55، Issue: 7

Publish Year: 1403

Type: Journal paper

Language: Persian

This Paper With 17 Page And PDF Format Ready To Download

DOWNLOAD Paper

Certificate
I'm the author of the paper

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

هوش مصنوعی > یادگیری ماشین

Export:

Link to this Paper:

https://civilica.com/doc/2113604

Document National Code:

JR_IJSWR-55-7_009

Index date: 9 November 2024

مطالعه آزمایشگاهی مقاومت جریان در حضور پوشش گیاهی صلب و پیش بینی آن با مدل های هوشمند abstract

تعیین ضرایب مقاومت و کاهش عدم قطعیت در انتخاب این پارامتر یکی از مهمترین عوامل دستیابی به مشخصات جریان در رودخانهها و مجاری روباز است. از این رو، انتخاب مطلوب ضریب زبری در شرایط مختلف مانند وجود پوشش گیاهی از جمله موضوعات موردتوجه پژوهشگران بوده است. در این پژوهش، ابتدا ضریب زبری مانینگ در یک فلوم آزمایشگاهی با حضور آرایشهای مختلف پوشش گیاهی تعیین شد. سپس توانایی پنج مدل هوشمند شامل GMDH، ANN-RBF،RT ، ANFIS و ANFIS-PSO در پیش بینی ضریب زبری مانینگ ارزیابی شد. مدل ها در محیط نرم افزار MATLAB کدنویسی شد. با توجه به ایجاد جریان متغیر تدریجی در کانال آزمایشگاهی، نیمرخ سطح آب به دست آمده از طریق حل به روش اویلر، با مقادیر اندازه گیری شده در آزمایشگاه مقایسه شد. نتایج نشان داد که تطابق قابل قبول بین پروفیل سطح آب آزمایشگاهی و برآوردهای انجام شده با روش اویلر وجود دارد. ارزیابی نتایج مدل ها بر اساس تحلیل آماری به کاررفته نشان داد که مدل ANFIS - PSO عملکرد بهتری نسبت به سایر مدل ها در پیش بینی ضریب مانینگ دارد، به طوری که نتایج این مدل RMSE=۰.۰۰۹۶، R۲=۰.۹۹۸۴ و KGE=۰.۹۹۲۲ در مرحله آموزش و RMSE=۰.۰۰۹۹، R۲=۰.۹۹۸۲ و KGE=۰.۹۸۷۳ در مرحله آزمون است. در مراتب بعد، از لحاظ دقت به ترتیب مدل های ANN-RBF، GMDH، ANFIS و RT قرار می-گیرند. با ارزیابی نتایج ترکیب های مختلف در مدل سازی مشخص شد، سه پارامتر تراکم پوشش گیاهی (D)، آرایش پوشش گیاهی (N) و عدد رینولدز (Re) به ترتیب تاثیر بیشتری در ارائه نتایج درست داشتند.

مطالعه آزمایشگاهی مقاومت جریان در حضور پوشش گیاهی صلب و پیش بینی آن با مدل های هوشمند Keywords:

یادگیری ماشین , بررسی آزمایشگاهی , مدلسازی , جریان متغیر تدریجی , زبری

مطالعه آزمایشگاهی مقاومت جریان در حضور پوشش گیاهی صلب و پیش بینی آن با مدل های هوشمند authors

یاسر مهری

گروه مهندسی آبیاری و آبادانی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران

محمدحسین امید

گروه مهندسی آبیاری و آبادانی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران

صلاح کوچک زاده

گروه مهندسی آبیاری و آبادانی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران

محسن نصرآبادی

گروه علوم و مهندسی آب، دانشگاه اراک، اراک، 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., Daneshfaraz, R., Sume, V. & Abraham, J. (۲۰۲۴). ...

Bahramifar, A., Shirkhani, R. & Mohammadi, M. (۲۰۱۳). An anfis-based ...

Breiman L. Friedman J. H. Olshen R. A. Stone C. ...

Cheng, N.S. & Nguyen, H.T. (۲۰۱۱). Hydraulic radius for evaluating ...

Cornacchia, L., Folkard, A., Davies, G., Grabowski, R.C., van de ...

Coscarella, F., Penna, N., Ferrante, A.P., Gualtieri, P. & Gaudio, ...

García Díaz, R. (۲۰۰۵). Analysis of Manning coefficient for small‐depth ...

Ghorbani, M.A., Zadeh, H.A., Isazadeh, M. & Terzi, O. (۲۰۱۶). ...

Gu, F.F., Ni, H.G. & Qi, D.M. (۲۰۰۷). Roughness coefficient ...

Hassanzadeh, Y. & Abbaszadeh, H. (۲۰۲۳). Investigating Discharge Coefficient of ...

Henderson, F.M. (۱۹۹۶). Open channel flow ...

Kelleher, J.D., Tierney, B. & Tierney, B. (۲۰۱۸). Data science: ...

Kisi, O., Haktanir, T., Ardiclioglu, M., Ozturk, O., Yalcin, E. ...

Ladson, A., Anderson, B., & Rutherfurd, I. (۲۰۰۲). Towards an ...

Li, Y., Wang, Y., Anim, D.O., Tang, C., Du, W., ...

Marashi, A., Kouchakzadeh, S. & Yonesi, H.A. (۲۰۲۳). Rotary gate ...

Mehri, Y., Nasrabadi, M. & Omid, M.H. (۲۰۲۱). Prediction of ...

Mehri, Y., Soltani, J. & Khashehchi, M. (۲۰۱۹). Predicting the ...

Meng, X., Zhou, Y., Sun, Z., Ding, K. & Chong, ...

Muhammad, M.M., Yusof, K.W., Mustafa, M.R.U., Zakaria, N.A. & Ab ...

Noarayanan, L., Murali, K. & Sundar, V. (۲۰۱۲). Manning’s ‘n’co-efficient ...

Pradhan, A. and Khatua, K.K. (۲۰۱۸). Gene expression programming to ...

Roushangar, K., Saghebian, S.M. & Mouaze, D. (۲۰۱۷). Predicting characteristics ...

Roushangar, K. & Shahnazi, S. (۲۰۱۹). Bed load prediction in ...

Wu, F. S. (۲۰۰۸). Characteristics of flow resistance in open ...

Xu, W.G., Zhang, H.Y., Wang, Z.Y. and Huang, W.P. (۲۰۱۲). ...

Yarahmadi, M.B., Parsaie, A., Shafai-Bejestan, M., Heydari, M. & Badzanchin, ...

Zhang, H., Wang, Z., Xu, W. & Wang, H. (۲۰۱۹). ...

نمایش کامل مراجع