شبیه سازی ضریب دبی سرریزهای کنگره ای توسط مدل های نوین هوش مصنوعی

Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 130

This Paper With 15 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_MCEJ-20-1_016

تاریخ نمایه سازی: 6 اسفند 1403

Abstract:

در این مقاله، برای اولین بار با استفاده از روش هوش مصنوعی نوین تحت عنوان ORELM ضریب دبی سرریزهای کنگره ای تخمین زده شدند. در ابتدا، تعداد نرون های لایه مخفی بهینه مساوی با ۱۵ انتخاب شد. سپس نتایج توابع فعال سازی مختلف مورد ارزیابی قرار گرفت که دقت ترین تابع فعال سازی برای مدل عددی شناسایی گردید. در ادامه، با استفاده از پارامترهای ورودی موثر بر روی ضریب دبی سرریزهای کنگره ای، هفت مدل ORELM مختلف توسعه داده شدند و با انجام تحلیل حساسیت، مدل برتر و موثرترین پارامترهای ورودی شناسایی شدند. به عنوان مثال، مقادیر شاخص های آماری R۲، RMSRE و NSC برای مدل برتر به ترتیب مساوی با ۹۴۳/۰، ۲۲۴/۵ و ۹۴۰/۰ محاسبه شدند. همچنین، پارامترهای ورودی نسبت هد روی سرریز به ارتفاع سرریز (HT/P) و نسبت عرض یک کنگره به ارتفاع سرریز (w/P) به عنوان مهمترین پارامترهای ورودی شناسایی شدند. سپس برای مدل های عددی یک تحلیل عدم قطعیت اجرا و نشان داده شد که مدل ORELM دارای عملکردی بیشتر از واقعی بود.

Authors

شهاب الدین شفیعی

Ph.D. Candidate, Department of Civil Engineering, Arak Branch, Islamic Azad University, Arak, Iran

محسن نجارچی

Department of Civil Engineering, Arak Branch, Islamic Azad University, Arak, Iran

سعید شعبانلو

Department of Water Engineering, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran

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 :
  • Zaji A.H. and Bonakdari H. ۲۰۱۴. Performance evaluation of two ...
  • Ebtehaj I., Bonakdari H., Zaji A.H., Azimi H. & Sharifi ...
  • Khoshbin F., Bonakdari H., Ashraf Talesh S.H., Ebtehaj I., Zaji ...
  • Roushangar K., Khoshkanar R. & Shiri J. ۲۰۱۶. Predicting trapezoidal ...
  • Azimi H., Shabanlou S., Ebtehaj I., Bonakdari H. & Kardar ...
  • Azimi H., Bonakdari H. & Ebtehaj, I. ۲۰۱۷b. Sensitivity analysis ...
  • Haghiabi A.H., Parsaie A. & Ememgholizadeh S. ۲۰۱۷. Prediction of ...
  • Roushangar K., Alami M.T., Majedi Asl M. & Shiri J. ...
  • Roushangar K., Alami M.T., Shiri J. & Asl, M.M. ۲۰۱۸. ...
  • Salazar F. & Crookston, B.M. ۲۰۱۹. A Performance Comparison of ...
  • Bilhan O., Emiroglu M.E., Miller C.J. & Ulas M. ۲۰۱۹. ...
  • Huang G.B., Zhu Q.Y. & Siew, C.K. ۲۰۰۶. Extreme learning ...
  • Zhang K. & Luo M. ۲۰۱۵. Outlier-robust extreme learning machine ...
  • Kumar S., Ahmad Z. & Mansoor T. ۲۰۱۱. A new ...
  • Seamons T.R. ۲۰۱۴. Labyrinth weirs: a look into geometric variation ...
  • [۱ ] Zaji A.H. & Bonakdari H. ۲۰۱۴. Performance evaluation ...
  • [۲ ] Ebtehaj I., Bonakdari H., Zaji A.H., Azimi H. ...
  • [۳ ] Khoshbin F., Bonakdari H., Ashraf Talesh S.H., Ebtehaj ...
  • [۴ ] Roushangar K., Khoshkanar R. & Shiri J. ۲۰۱۶. ...
  • [۵ ] Azimi H., Shabanlou S., Ebtehaj I., Bonakdari H. ...
  • [۶ ] Azimi H., Bonakdari H. & Ebtehaj, I. ۲۰۱۷b. ...
  • [۷ ] Haghiabi A.H., Parsaie A. & Ememgholizadeh S. ۲۰۱۷. ...
  • [۸ ] Roushangar K., Alami M.T., Majedi Asl M. & ...
  • [۹ ] Roushangar K., Alami M.T., Shiri J. & Asl, ...
  • [۱۰ ] Salazar F. & Crookston, B.M. ۲۰۱۹. A Performance ...
  • [۱۱ ] Bilhan O., Emiroglu M.E., Miller C.J. & Ulas ...
  • [۱۲ ] Barros A.L.B. & Barreto G.A. ۲۰۱۳. Building a ...
  • [۱۳ ] Chen C., Yan C. & Li Y. ۲۰۱۵. ...
  • [۱۴ ] Yuan Z., Wang X., Cao J., Zhao H. ...
  • [۱۵ ] Goodfellow I., Bengio Y. & Courville, A. ۲۰۱۶. ...
  • [۱۶ ] Huang G.B., Zhu Q.Y. & Siew, C.K. ۲۰۰۶. ...
  • [۱۷ ] Zhang K. & Luo M. ۲۰۱۵. Outlier-robust extreme ...
  • [۱۸ ] Kumar S., Ahmad Z. & Mansoor T. ۲۰۱۱. ...
  • [۱۹ ] Seamons T.R. ۲۰۱۴. Labyrinth weirs: a look into ...
  • نمایش کامل مراجع