کاربرد و ارزیابی الگوریتم SVM برای شبیه‌سازی هندسه‌ی گودال آبشستگی پایین‌دست سرریز سیفونی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، گروه مهندسی آب، دانشگاه آزاد اسلامی - واحد رامهرمز

2 استادیار، گروه عمران دانشگاه مراغه مراغه، ایران

3 استادیار، گروه مهندسی آب، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران

چکیده

شبیه‌سازی دقیق مشخصات هندسی گودال آبشستگی ناشی از برخورد جت آب به کف حوضچه‌ی استغراق نقش مهمی در طراحی، ساخت و عملکرد سرریزها و مستهلک‌کننده‌های انرژی دارد. در این پژوهش، ارزیابی تطبیقی بین مطالعه‌ی آزمایشگاهی و عددی آبشستگی در پایین‌دست سرریز سیفونی با استفاده از الگوریتم پشتیبان بردار ماشین (SVM) با سه دانه‌بندی از مواد رسوبی و سه زاویه‌ی پرتابه‌ی باکت به ازای مقادیر مختلف دبی و عمق پایاب در یک فلوم آزمایشگاهی مستطیلی از جنس پلاکسی‌گلاس انجام شد. سه متغیر بی‌بعد که دارای استقلال خطی نسبت به هم بودند، تشکیل شدند. علاوه بر الگوریتم SVM، معادلات رگرسیون کلاسیک خطی و غیرخطی و همچنین شبکه‌ی عصبی FFBP و CPBF برای شبیه‌سازی هندسه‌ی گودال مورد استفاده قرار گرفتند و به کمک پنج شاخص آماری R، RMSE، MAE، N.S و DDR مقایسه شدند. مقایسه‌ی شاخص-های تدقیق پنجگانه نشان داد از بین مدل‌های عددی، الگوریتمSVM کارکرد بهتری نسبت به بقیه‌ی مدل‌ها مخصوصا مدل‌های رگرسیونی کلاسیک داشت. در بین تمام پارامترهای هندسی گودال آبشستگی، بالاترین و پایین‌ترین سطح عملکرد الگوریتم SVM مربوط به "L" _"S" /"h" _"t" و "L" _"6" /"h" _"t" به ترتیب با مقادیر شاخص‌های آماری پنجگانه‌ی فوق‌الذکر (9954/0، 2056/0، 987/0، 9851/0، 855/7) و (8924/0، 860/2، 230/2، 7587/0، 405/1) بودند. در نهایت مقایسه-ای بین خروجی الگوریتم SVM و معادله‌ها‌ی تجربی برای شبیه‌سازی عمق گودال فرسایشی انجام شد. نتایج نشان داد الگوریتمSVM برتری محسوس و مطلقی نسبت به معادلات تجربی ارائه شده توسط محققان دیگر دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Application and Assessment of SVM Algorithm to Simulate the Geometry of Scour Hole Downstream of a Siphon spillway

نویسندگان [English]

  • mehdi fuladipanah 1
  • mehdi majedi asl 2
  • reza Jafarinia 3
1 Assistant professor, Department of civil engineering, Ramhormoz Branch, Islamic Azad university, Ramhormoz, Iran
2 Assistant professor, Department of Civil Engineering
3 Assistant professor, Department of Water Engineering, Arak Branch, Islamic Azad University, Arak, Iran
چکیده [English]

Accurate simulation of scour hole’s geometric specifications, created due to flow jet collision to plunge pool bed, has a significant role in the design, construction and performance of weirs and energy dissipater structures. In this research, a comparative evaluation was done between experimental and numerical study of scour phenomena downstream of a siphon spillway using SVM algorithm with three sediment particles and three buckets angles for different magnitudes of flow discharge and tail water depths in a rectangular flume made from plexiglas. Three linear-independent dimensionless parameters were formed. Classic linear and non-linear regression model and FFBP and CFBP neural networks were applied more over the SVM algorithm to simulate the scour hole dimensions and were compared using five statistical indices as R, RMSE, MAE, N.S and DDR. A comparison of the quintuple accuracy indices showed that SVM algorithm had better performance than to the other models, especially classic regression ones. Among all parameters, SVM algorithm had acceptable prediction with higher and lower level of accuracy for "L" _"S" /"h" _"t" and "L" _"6" /"h" _"t" by quintuple above mentioned indices as (0.9954, 0.2056, 0.987,0.9851,7.855) and (0.8924,2.860,2.23,0.7587,1.405), respectively. Finally, a comparison was done among SVM algorithm and empirical predictors of scour hole depth. Comparison of accuracy indices showed that the SVM had a tangible and absolute advantage over empirical equations presented by other researchers.

کلیدواژه‌ها [English]

  • Performance Assessment
  • Plunge Pool
  • Dimensional Analysis
  • SVM algorithm
رضازاده، ر.، بارانی، غ.ع. و ناصری، ا. 1398. کاربرد شبکه عصبی مصنوعی در تخمین عمق آبشستگی اطراف پایه پل در بستر با رسوبات چسبنده. مجله هیدرولیک،14.1: 141-149.  
روشنگر، ک. و روح­پرور، ب. 1391. عملکرد سیستم­های فرامدل در تخمین عمق آبشستگی پایه­های پل در خاک­های غیرچسبنده. نشریه مهندسی عمران و محیط­زیست، 42.3: 13-26.
روشنگر، ک. و روح­پرور، ب. 1392. ارزیابی عملکرد سیستم­های هوش مصنوعی برای شبیه­سازی آبشستگی پایه­های پل در خاک­های غیرچسبنده. نشریه دانش آب و خاک، 23.3: 169-182.
سلطانیگردفرامرزی، س. و تقی­زاده مهرجردی، ر. 1395. کاربرد روش­های داده­کاوی در تخمین عمق آبشستگی گروه پایه­ها. مجله هیدرولیک، 11.1: 67-75.
سیدیان، س.م. 1394. استفاده از روش­های نوین در تعیین پارامترهای موثر بر آبشستگی پایه پل. مجله مهندسی آبیاری و آب، 19.1:5-16.
سیدیان، م. و فتح­آبادی ا. 1395. تخمین عمق آبشستگی پایه­های پل با استفاده از روش­های آماری و الگوریتم­های هوشمند. نشریه مهندسی عمران و محیط­زیست، 46.2: 1-12.  
غضنفری­هاشمی، س. و اعتمادشهیدی، ا. 1391. پیش­بینی عمق آبشستگی اطراف پایه­ی پل با استفاده از ماشین­های بردار پشتیبان. نشریه عمران مدرس، 12.2: 23-36.  
فتاحی، م.، لشکرآرا، ب. و نجفی ل. 1398. تخمین آبشستگی پایین­دست سازه سیفون معکوس بالارود با استفاده از روش­های فراابتکاری. مجله علوم و مهندسی آبیاری، 42.1: 129-143.
ماجدی­اصل، م.، فولادی­پناه، م. 1397. کاربرد سیستم­های تکاملی در تعیین ضریب دبی سرریزهای کنگره­ای مثلثی. نشریه علوم آب و خاک). نشریه علوم و فنون کشاورزی و منابع طبیعی، 14.1: 279-290.
مومنی وصالیان ر.، موسوی­جهرمی ح.، شفاعی­بجستان م. 1387. آبشستگی ناشی از جت­های مستطیلی در پایین­دست پرتابه­های جامی شکل با مصالح غیریکنواخت. نشریه علوم و فنون کشاورزی و منابع طبیعی، 2: 203-216.  
هوشیاری­پور ف، نوری ر. 1392. استفاده از تکنیک ماشین بردار پشتیبان در پیش­بینی ابعاد چاله آبشستگی پایین­دست یک پرتابه جامی شکل. مهندسی آب و محیط­­زیست ایران، 1.1: 35-45.  
Akib, S., Mohammadhassani, M. and Jahangirzadeh, A. 2014. Application of ANFIS and LR in prediction of scour depth in bridges. Computers & Fluids. 91.2: 77-86.
Azmathullah, H.Md, Deo, M.C, and Deolalikar, P.B. 2005. Neural networks for estimation of scour downstream of ski-jump bucket, Journal of Hydraulic Engineering, ASCE. 131.10: 898- 908.
Azmathullah, H.Md, Ghani A.A.B, Zakaria, N, Hin, L.S, Kiat, C.C, Siang, L.C. and Hasan, Z.A. 2008. Genetic programming to predict ski-jump bucket spillway scour. Journal of Hydrodynamic. 20.4: 477-484.
Bateni, S. M., Borgheib, S. M., and Jeng, D. S. 2007. Neural Network and Neuro-Fuzzy Assessments for Scour Depth around Bridge Piers. Engineering Applications of Artificial Intelligence. 20.3: 401-414.
Bateni, S. M., Jeng, D. S. and Melville, B. W. 2007. Bayesian Neural Networks for Prediction of Equilibrium and Time-Dependent Scour Depth Around Bridge Piers, Advances in Engineering Software, 38.2: 102-111.
Dibike, Y. B., Velickov, S., Solomatine, D. and Abbott, M. B. 2001. Model Induction with Support Vector Machines: Introduction and Applications. Journal of Computing in Civil Engineering. 15.3: 208-216.
Firat, M., and Gungor, M. 2009. Generalized Regression Neural Networks and Feed Forward Neural Networks for Prediction of Scour Depth Around Bridge Piers. Advances in Engineering Software. 40.8: 731-737.
Goyal, M. K. 2011. Estimation of scour downstream of a ski jump bucket using support vector and M5 model tree. Journal of Water Resources Management. 25: 2177-2195.
Hager, W.H. and Minor, H.E. 2004. Plunge pool scour in prototype and laboratory, Proceeding of 2004 International Conference on hydraulics of dam and river structures, April 29-28, Tehran, Iran.
Hoang, N. D., Liao, K. W. and Tran, X. L 2018. Estimation of scour depth at bridges with complex pier foundations using support vector regression integrated with feature selection. Journal of Civil Structural Health Monitoring, 8.3: 431-442
Noori, R., Karbassi, A. R., Moghaddamnia, A., Han, D., Zokaei-Ashtiani, M. H., Forokhnial, A., and Ghafari-Goushesh, M. 2011. Assessment of input variables determination on the SVM model performance using PCA, Gamma test, and forward selection techniques for monthly stream flow prediction. Journal of Hydrology, 401: 177- 189.
Pai, P. and C. Lin. 2005. A hybrid ARIMA and support vector machines model in stock price forecasting. Omega. 33:197–505.
Pandey, M., Zakwan, M., Sharma, P. K., and Ahmad, Z. 2018. Multiple linear regression and genetic algorithm approaches to predict temporal scour depth near circular pier in non-cohesive sediment. ISH Journal of Hydraulic Engineering: 1-8.
Rajaratnam, N. and Mazurek, K. 2003. Erosion of sand by circular impinging water jets with small tail water, Journal of Hydraulic Engineering, ASCE. 129.3: 225-229.
Veronese, A. 1937. Erosion of a bed downstream from an outlet, Colorado A & M College, Fort Collins, United States.
Wang, W. J., Xu, Z. B., Lu, W. Z. and Zhang, X. Y. 2003. Determination of the Spread Parameter in the Gaussian Kernel for Classification and Regression. Neuro computing, 55.3-4: 643-663.
Wittler, R.J., Annandale, G.W. Abt, S.R. and Ruff, J.F. 1998. New technology for estimating plunge pool spillway scour, Proceeding of 1998 Annual Conference of The Association of State Safety Officials, October 11-14, Las Vegas.
Yip, D. H. F., Hines, E. L., and Yu, W. H. 1997. Application of Artificial Neural Networks in Sales Forecasting.  International Conference on Neural Networks (ICNN ’97), Houston: 2121-2124.