شبیه‌سازی روزنه‌های جانبی مستطیلی و دایروی توسط ماشین آموزش نیرومند

نوع مقاله: پژوهشی

نویسندگان

1 گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران

2 دانشگاه رازی کرمانشاه

3 گروه علوم و مهندسی آب، دانشگاه بوعلی سینا، همدان، ایران

4 استادیار گروه معماری، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

چکیده

در این مطالعه با استفاده از ماشین آموزش نیرومند ضریب دبی روزنه‌های جانبی مستطیلی و دایروی تخمین زده شد. در قسمت بعدی بهینه‌ترین تعداد نرون‌های لایه مخفی مساوی 30 انتخاب گردید. همچنین نتایج کلیه توابع فعال‌سازی مدل ماشین آموزش نیرومند مورد بررسی قرار گرفت و تابع فعال‌سازیsigmoid برای شبیه‌سازی ضریب دبی انتخاب شد. در بخش بعدی با استفاده از پارامترهای ورودی، دو ترکیب مدل‌سازی معرفی شد و با توجه به ترکیب‌های مذکور پنج مدل مختلف ماشین آموزش نیرومند توسعه داده شد. تجزیه و تحلیل نتایج مدل‌سازی‌ها نشان داد که مدلی که دارای پارامتر ضریب شکل از از دقت بیشتری برخوردار بود. مدل برتر تابعی از کلیه پارامترهای ورودی بود و مقادیر ضریب دبی را با دقت قابل قبولی تخمین زد. به عنوان مثال، مقادیرR و MAPE برای این مدل به ترتیب مساوی با 990/0 و 223/0 تخمین زده شد. نتایج مدل برتر با روابط تجربی نیز مقایسه شد و نشان داده شد که این مدل دارای دقت بیشتری است. همچنین برای کلیه پارامترهای ورودی تحلیل حساسیت مشتق نسبی اجرا شد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Simulation of Rectangular and Circular Side Orifices using Extreme Learning Machine

نویسندگان [English]

  • saeid shabanlou 1
  • Hassan Sharafi 2
  • majeid heydari 3
  • saeid kardar 4
1 Department of Water Engineering, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran
2 Razi University
3 Department of science and Water Engineering, BuAli Sina University, Hamadan, Iran
4 Assistant Professor, Department of Architecture, Science and Research Branch, Islamic Azad University, Tehran, Iran
چکیده [English]

In this study, the discharge coefficient of rectangular and circular side orifices was estimated using the extreme learning machine method. Furthermore, in this study for evaluating the ability of different ELM models the Monte Carlo simulations are used. The Monte Carlo simulation is a comprehensive classification of computational algorithms which uses the random sampling procedure for calculating numerical results. The k-fold cross validation method is also used for examining the performance of the above models. In this method, the main sample is randomly divided into k sub-samples with the same size. Among k sub-samples, a sub-sample is used as the validation data and the remaining as the test data of the model. Then, the validation process repeats k times (equal to the number of layers) and each of k sub-samples is used exactly once as validation data. In this study, the experimental values obtained by Hussein et al. (2010) and Hussein et al. (2011) are used for validating the results of the numerical models. Their experimental model consisted of a rectangular channel with the length, the width and the height of 9.15m, 0.5m and 0.6m, respectively. They installed the circular and rectangular orifices at a distance of 5m from the inlet of the main channel on the side wall. In the next stage, the most optimized number of hidden neurons was chosen equal to 30 and the results of all activation functions of the extreme learning machine were examined and the sigmoid activation function is selected for simulating the discharge coefficient. Subsequently, two modeling combinations were introduced using the input parameters as well as five different extreme learning machine models were developed. The analysis of the modeling results showed that the model with the shape coefficient has more accuracy. The superior model is a function of all input parameters and reasonably estimates values of the discharge coefficient. For example, the values of R and MAPE for this model are estimated 0.990 and 0.223, respectively. The results of the superior model were also compared with the empirical equations and it was shown that this model has more accuracy. Also, the partial derivative sensitivity analysis (PDSA) was run for all input parameters.

کلیدواژه‌ها [English]

  • Side orifice
  • Discharge coefficient
  • Partial Derivative Sensitivity Analysis
  • k-fold cross validation
  • Monte Carlo Simulations