پیش بینی عمق آبشستگی در پائین دست سرریز جامی شکل توسط مدل ماشین آموزش نیرومند و روش اعتبار سنجی چند لایه

در این مطالعه، عمق آبشستگی در پائین دست سرریزهای جامی با استفاده از مدل ماشین آموزش نیرومند شبیه سازی گردید. ماشین آموزش نیرومند یک نوع شبکه عصبی تک لایه پیش خور است که گره های محاسباتی را به صورت تصافی انتخاب کرده و وزن های خروجی را نیز به شکل تحلیل تعیین می نماید. علاوه براین برای سنجش توانایی مدل های ماشین آموزش نیرومند از شبیه سازی های مونت کارلو استفاده می شود. شبیه سازی مونت کارلو یک طبقه بندی گسترده از الگوریتم های محاسباتی است که از نمونه گیری تصادفی برای محاسبه نتایج عددی استفاده می کند. همچنین از روش اعتبار سنجی چند لایه برای بررسی توانایی مدل های عددی بهره گرفته می شود. در روش اعتبار سنجی چند لایه ای، نمونه اصلی است به طور تصادفی به k نمونه های فرعی به اندازه مساوی تقسیم شود. مزیت این روش، تکرار تصادفی نمونه های فرعی در روند آزمون و آموزش برای کلیه مشاهدات است و هر مشاهده دقیقا یک بار برای اعتبار سنجی مورد استفاده قرار می گیرد. در این مطالعه مقدار k مساوی با ۵ در نظر گرفته شد. سپس پارامترهای تاثیر گذار بر روی عمق آبشستگی شناسایی شد و شش مدل ماشین آموزش نیرومند تعریف گردید. با انجام آنالیز حساسیت موثرترین پارامتر که شامل پارامتر بدون بعد دبی معرفی شد. همچنین با تجزیه و تحلیل نتایج مدل های مختلف، مدل برتر معرفی گردید. این مدل مقادیر آبشستگی را با دقت قابل قبولی پیش بینی کرد و تابعی از کلیه پارامترهای ورودی بود. به عنوان مثال مقادیر ضریب تببین و شاخص پراکندگی به ترتیب مساوی ۹۹۳/۰ و ۰۷۱/۰ بدست آمد.

پیش بینی عمق آبشستگی در پائین دست سرریز جامی شکل توسط مدل ماشین آموزش نیرومند و روش اعتبار سنجی چند لایه Keywords:

Scour depth , Bucket spillway , Modeling , Extreme Learning Machine , k-fold Cross Validation , عمق آبشستگی , سرریز جامی شکل , مدل سازی , ماشین آموزش نیرومند , اعتبار سنجی چند لایه