کیومرث محمودی - دانشجوی کارشناسی ارشد، دانشگاه صنعتی امیرکبیر
محمد واقفی - استادیار سازه های هیدرولیکی، دانشگاه خلیج فارس
عباس مرادی - استادیار برنامه ریزی و مدیریت مناطق ساحلی، دانشکده علوم و فنون دریائی، دانشگاه هرمزگان
مصباح سایبانی - استادیار و عضو هیئت علمی دانشکده مهندسی دریا، دانشگاه صنعتی امیرکبیر

در بسیاری از مطالعات آزمایشگاهی حجم انبوهی از داده ها برداشت میشود که معمولاً با خطاهای مختلفی همراست. در این مقاله با استفاده از روش ضریب داده پرت محلی LOF به شناسایی خطاهای آزمایشگاهی در هنگام جمع آوری داده های مربوط به تعیین الگوی جریان و آبشستگی، پرداخته شده است LOF یکی از قدرتمندترین روش های یادگیری ماشین است که از آن برای شناسایی ناهنجاری ها در سیستم استفاده میشود. همچنین توانایی این روش در یک مطالعه موردی که هدف آن تعیین الگوی جریان و آبشستگی در یک کانال با قوس 90 درجه و توام با استقرار آبشکن T شکل میباشد، مورد تجزیه و تحلیل قرار گرفته است. خطاهای موجود در جمع آوری داده های مطالعه موردی ذکر شده ناشی از دستگاه هایی نظیر خط کش الکترونیکی، برداشت پروفیل بستر لیزری و سرعت سنج سه بعدی از نوع Vecterino و مشکلات به وجود آمده هنگام برداشت داده ها میباشد. تجزیه و تحلیل های انجام شده نشان داد LOF یک روش قدرتمند برای شناسایی خطاهای موجود در برداشت داده های مربوط به تعیین الگوی جریان و آبشستگی است

یادگیری ماشین، الگوی جریان و آبشستگیLOF شناسایی خطا، فیلتراسیون، روش ضریب داده پرت محلی