مقایسه سامانه استنتاج فازی- عصبی تطبیقی (ANFIS)وسامانه ماشین بردار پشتیبان(SVM) در تخمین میزان ضریب دبی سرریزهای لبه تیز

سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 245

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IDJ-11-5_006

تاریخ نمایه سازی: 25 اردیبهشت 1400

چکیده مقاله:

دراین تحقیق به کمک سامانه استنتاج فازی- عصبی تطبیقی و همچنین روش ماشین بردار پشتیبان مدل­هایی بدون بعد برای برآورد ضریب دبی در سرریزهای لبه تیز قوس محور ارایه شده است. برای واسنجی و صحت­سنجی (آزمون) رابطه پیشنهادی، داده­های آزمایشگاهی کومار-همکاران  (Kumar et al., ۲۰۱۲)استفاده گردید و برآورد ضریب دبی از روش­های ANFIS و SVM با مدل تجربی آن­ها و همچنین مدل­سازی برنامه­ریزی ژنتیک ظهیری مقایسه شد. نتایج محاسباتی نشان داد که مدل­های پیشنهادی از دقت بسیار مناسبی برخوردار می­باشند. همچنین نتایج برتر مدل­های مذکور متناسب با بار آبی بالادست، ارتفاع سررریز و زاویه انحنای قوس محوری، حاکی از برقراری ارتباط مستقیم میزان ضریب دبی این نوع سرریز با مشخصات جریان است و این در حالی است که در تحقیق حاضر در مدل­سازی باANFIS  الگوی ورودی با روش آموزش هیبریدی و تابع عضویت گوسین دو نقطه­ای با دارا بودن بیش­ترین ضریب تعیین ۹۹۳/۰  DC= نتایج دقیق­تری را نسبت به روش SVM با الگوی ورودی تابع گوسی (RBF) و مقادیر γ، c و ε به­ترتیب برابر ۳، ۱۰ و ۱/۰ با داشتن ۹۸/۰  DC= ارایه می­دهد.

نویسندگان

علی فرودی خور

دانشجوی دکترای عمران(سازه های هیدرولیکی) دانشگاه تبریز

مجتبی صانعی

دانشیار گروه مهندسی رودخانه و سواحل، پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات آموزش و ترویج کشاورزی

مهدی اژدری مقدم

دانشیار دانشکده عمران دانشگاه سیستان و بلوچستان

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :
  • ظهیری،ع. ۱۳۹۴. استخراج رابطه ضریب دبی در سرریزهای قوسی به ...
  • ASCE Task Committee on Application of Artificial Neural Networks in ...
  • Asthana,K.C., Syed Tahir,H and Syed,Y. ۱۹۶۱. Flow over curved weirs. ...
  • Chen,Q., Dai,G., Liu,H. ۲۰۰۲. Volume of Fluid Model for Turbulence ...
  • Cortes,C and Vapnik,V. ۱۹۹۵. Support-vector networks, Machine Learning. ۲۰.۳: ۲۷۳ ...
  • Jang,J.S.R. ۱۹۹۳. ANFIS: Adaptive-Network Based fuzzy inference system. IEEE Tran's ...
  • Khan,M.S and Coulibaly,P. ۲۰۰۶. Application of Support Vector Machine in ...
  • Kindsvater,C.E and Carter,R.W. ۱۹۵۹. Discharge characteristics of rectangular thin-plate weirs. ...
  • Kisi,O. ۲۰۰۷. The potential of different ANN techniques in evapotranspiration ...
  • Kumar,S., Ahmad,Z., Mansoor,T., Himanshu,S.K. ۲۰۱۲. Discharge Characteristics of Sharp Crested ...
  • Lee,W and Hoops,J.A. ۱۹۹۶. Prediction of Cavitation Damage for Spillways. ...
  • Liong,S.Y., Gautam,T.R., Khu,S.T., Babovic,V., Keijzer,M., Muttil,N. ۲۰۰۲. Genetic programming, A ...
  • Lohani,A.K., Goel,N.K and Bhatia,K.K.S. ۲۰۰۷ Deriving stage–discharge–sediment concentration relationships using ...
  • Nourani,V., Kisi,O., Komasi,M. ۲۰۱۱. Two hybrid Artificial Intelligence approaches for ...
  • Roushangar,K and Alizadeh,F. ۲۰۱۵. Suitability of different modelling strategies in ...
  • Roushangar,K., Vojoudi,F and Shiri,J. ۲۰۱۴. Modeling river total bed material ...
  • Saneie,M., SheikhKazemi,J., Azhdary Moghaddam,M. ۲۰۱۶. Scale Effects on the Discharge ...
  • نمایش کامل مراجع