| آنالیز پرش هیدرولیکی در مجاری فاضلاب با استفاده از مدلهای یادگیری ماشین |
| کد مقاله : 1011-IWWA (R1) |
| نویسندگان |
|
محمد نجف زاده1، الهه فرودی صفات *2 1دانشیار گروه مهندسی آب، دانشکده مهندسی عمران و نقشه برداری، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران 2گروه مهندسی آب، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران |
| چکیده مقاله |
| مجاری تحت فشار به طور گسترده برای دستیابی به اهداف مختلفی مانند سیستم‌های انتقال آب، فاضلاب و زهکشی در مهندسی هیدرولیک استفاده شده‌اند. اغلب پدیده‌ای به نام پرش هیدرولیکی در این مجراها رخ می‌دهد و باعث فرسایش و گرفتگی می‌شود و برای جلوگیری از آن باید انرژی جریان را کاهش داد. در این راستا، تعداد محدودی معادلات تجربی برای تخمین اعماق مزدوج پرش هیدرولیکی در لوله‌ها وجود دارد. اما این معادلات تجربی همیشه نمی‌توانند پیش‌بینی دقیقی را برای شرایط مختلف هیدرولیکی ارائه دهند. از این رو، در این مطالعه از چهار مدل یادگیری ماشین یعنی مدل یادگیری ماشینی ارتقا یافته تطبیقی (AdaBoost)، ارتقا گرادیان قدرتمند (XGBoost)، جنگل تصادفی (RF) و مدل رگرسیون چندگانه تطبیقی اسپیلاین (MARS) به منظور تخمین عمق ثانویه پرش هیدرولیکی در لوله‌ها استفاده می‌گردد. برای انجام مراحل آموزش و آزمون، از مجموعه داده‌های معتبر از مقالات استفاده شد. نتایج حاصل از مدلهای یادگیری ماشین با داده‌های مشاهداتی و معادلات تجربی مقایسه شدند. از طریق مقایسه‌ها، روابط تجربی به اندازه کافی دقیق نبودند، اما مدلهای یادگیری ماشین بهترین عملکرد را در برآورد اعماق مزدوج پرش هیدرولیکی داشتند. در مرحله آموزش، مدل AdaBoost بالاترین عملکرد را نشان داد (ضریب همبستگی (R) برابر 9999/0 و ریشه میانگین مربعات خطا (RMSE) برابر 0006/0)، در حالی که در مرحله آزمون، مدلهای MARS (ضریب همبستگی برابر 9995/0 و ریشه میانگین مربعات خطا برابر 0070/0) و AdaBoost (ضریب همبستگی برابر 9995/0 و ریشه میانگین مربعات خطا برابر 0065/0) بالاترین سطح دقت را داشتند. |
| کلیدواژه ها |
| جریان تحت فشار، پرش هیدرولیکی، اعماق مزدوج، مدلهای یادگیری ماشین، آزمون‌های آماری، فاضلاب |
| وضعیت: پذیرفته شده |
