مقايسه تأثير هندسه کانال‌هاي مستطيلي و ذوزنقه‌اي بر ضريب دبي سرريزهاي جانبي مستطيلي با استفاده از مدل‌هاي يادگيري ماشين بهينه‌شده

الموضوعات : Application of computer in water and soil issues

کیومرث روشنگر ¹ , آیدین پناهی ²

1 - استاد، گروه مهندسي منابع آب، دانشکده مهندسي عمران، دانشگاه تبريز، تبريز، ايران.
2 - دانشجو دکتري، گروه مهندسي منابع آب، دانشکده مهندسي عمران، دانشگاه تبريز، تبريز، ايران.

تاريخ الإرسال : 02 الأحد , صفر, 1447 تاريخ التأكيد : 29 الأحد , ربيع الأول, 1447 تاريخ الإصدار : 19 الإثنين , جمادى الأولى, 1447

الکلمات المفتاحية: الگوريتم‌هاي فرا ابتکاري, آناليز حساسيت, سرريز جانبي, ضريب دبي, يادگيري ماشين,

ملخص المقالة :

زمينه و هدف: سرريزهاي جانبي نقشي کليدي در اندازه‌گيري و کنترل جريان در سامانه‌هاي هيدروليکي ايفا مي‌کنند، به‌ويژه در پروژه‌هاي کاهش خسارات سيلاب و مديريت رواناب. برآورد دقيق ضريب دبي (C_d) اين سازه‌ها، به دليل تعامل پيچيده بين ديناميک جريان و هندسه کانال، به يک چالش فني مهم تبديل‌شده است. در اين پژوهش، براي نخستين بار، دو مدل ترکيبي نوين تحت عنوان SVM-HOA و SVM-RSA معرفي‌شده‌اند که در آن‌ها، ماشين بردار پشتيبان (SVM) به ترتيب با الگوريتم‌هاي بهينه‌سازي اسب (HOA) و جست‌وجوي خزنده (RSA) تنظيم‌شده است. اين مدل‌ها به‌منظور پيش‌بيني ضريب دبي متناسب با هندسه براي سرريزهاي جانبي مستطيلي لبه‌تيز در دو نوع کانال مستطيلي و ذوزنقه‌اي به کار گرفته‌شده‌اند.

روش پژوهش: اين مطالعه، دو سناريوي آزمايشگاهي بررسي‌شده است. سناريوي نخست شامل 407 داده آزمايشگاهي از سرريزهاي جانبي مستطيلي لبه‌تيز در کانال‌هاي مستطيلي و سناريوي دوم شامل 78 داده آزمايشگاهي در کانال‌هاي ذوزنقه‌اي است. در ابتدا، مهم‌ترين پارامترهاي بي‌بعد مؤثر ازجمله Fr₁، P/y₁، L/B، L/y₁، y₁/B و m شناسايي شدند. اين پارامترها به‌عنوان ورودي مدل‌هاي SVM استفاده شدند. هر مدل ترکيبي با بهينه‌سازي ابر پارامتر‌هاي SVM به‌وسيله الگوريتم‌هاي HOA و RSA پياده‌سازي شد تا از افتادن در کمينه‌هاي موضعي جلوگيري شود و دقت پيش‌بيني افزايش يابد. داده‌ها به نسبت 80 به 20 براي آموزش و آزمون تقسيم شدند و براي جلوگيري از بيش برازش، از اعتبارسنجي متقابل 10 بخشي استفاده شد. عملکرد مدل‌ها با شاخص‌هاي آماري استاندارد ازجمله خطاي ريشه ميانگين مربعات (RMSE)، کارايي نش-ساتکليف (NSE) و ضريب همبستگي (R) ارزيابي گرديد. همچنين، تحليل حساسيت براي بررسي ميزان تأثير هر پارامتر ورودي بر خروجي انجام شد.

نتايج و بحث: نتايج ارزيابي تطبيقي نشان داد که هر دو مدل SVM-HOA و SVM-RSA در پيش‌بيني دقيق ضريب دبي در هر دو نوع کانال عملکرد مناسبي داشتند. در سناريوي اول (کانال مستطيلي)، مدل SVM-HOA با ورودي‌هاي نظير نسبت ارتفاع سرريز به عمق جريان ابتدايي (P/y₁)، نسبت طول تاج سرريز به عرض کف کانال (L/B)، نسبت طول تاج به عمق جريان (L/y₁) و عدد فرود بالادست (Fr₁) مقادير NSE، RMSE و R به ترتيب برابر با 0.904، 0.063 و 0.953 بهترين عملکرد را نشان داد. در سناريوي دوم (کانال ذوزنقه‌اي) نيز مدل SVM-HOA با ورودي‌هاي L/B، Fr₁، y₁/B و شيب ديواره کانال (m) به مقادير NSE، RMSE و R به ترتيب برابر با 0.964، 0.020 و 0.986 دست‌يافت. نمودارهاي تيلور، برتري مدل SVM-HOA نسبت به SVM-RSA را در قدرت پيش‌بيني و پايداري نتايج تأييد کردند. تحليل حساسيت نشان داد که نسبت P/y₁ در کانال مستطيلي و عدد فرود بالادست (Fr₁) در کانال ذوزنقه‌اي بيشترين تأثير را بر مقدار C_d دارند. اين يافته‌ها بر اهميت توجه به متغيرهاي هندسه محور و انتخاب الگوريتم بهينه‌سازي مناسب در کاربردهاي هيدروليکي تأکيد مي‌کنند.

نتيجه‌گيري: اين پژوهش رويکردي نوآورانه و متکي بر هندسه را براي پيش‌بيني دقيق ضريب دبي در سرريزهاي جانبي مستطيلي لبه‌تيز ارائه مي‌دهد. دو مدل ترکيبي پيشنهادي، يعني SVM-HOA و SVM-RSA، دقت بالا، تطبيق‌پذيري مناسب با هندسه‌هاي مختلف کانال و مقاومت بالا در برابر بيش برازش و کمينه‌هاي محلي را از خود نشان دادند. نتايج بيانگر برتري قابل‌توجه مدل SVM-HOA در بيشتر موارد است، به‌ويژه زماني که با پارامترهاي بي‌بعد مناسب و نسبت بهينه‌ي داده‌هاي آموزش و تست همراه باشد. اين مدل‌ها مي‌توانند به‌عنوان ابزاري کارآمد براي مهندسان هيدروليک در طراحي، شبيه‌سازي و تحليل عملکرد سرريزهاي جانبي در شرايط مختلف جريان و انواع کانال‌ها مورداستفاده قرار گيرند.

المصادر:

Abdollahi, A., Kabiri-Samani, A., Asghari, K., Atoof, H., & Bagheri, S. (2017). Numerical modeling of flow field around the labyrinth side-weirs in the presence of guide vanes. ISH Journal of Hydraulic Engineering, 23(1), 71–79. https://doi.org/10.1080/09715010.2016.1239555
Abualigah, L., Abd Elaziz, M., Sumari, P., Geem, Z. W., & Gandomi, A. H. (2022). Reptile Search Algorithm (RSA): A nature-inspired meta-heuristic optimizer. Expert Systems with Applications, 191, 116158. https://doi.org/10.1016/j.eswa.2021.116158
Agrawal, S. K. (1989). Elementary Discharge Coefficient of Rectangular Side Weirs. Roorkee Univ Roorkee, India.
Azamathulla, H. M., Haghiabi, A. H., & Parsaie, A. (2016). Prediction of side weir discharge coefficient by support vector machine technique. Water Science and Technology: Water Supply, 16(4), 1002–1016. https://doi.org/10.2166/ws.2016.014
Azimi, H., Bonakdari, H., & Ebtehaj, I. (2017). Sensitivity analysis of the factors affecting the discharge capacity of side weirs in trapezoidal channels using extreme learning machines. Flow Measurement and Instrumentation, 54, 216–223. https://doi.org/10.1016/j.flowmeasinst.2017.02.005
Azimi, H., Shabanlou, S., & Salimi, M. S. (2014). Free surface and velocity field in a circular channel along the side weir in supercritical flow conditions. Flow Measurement and Instrumentation, 38, 108–115. https://doi.org/10.1016/j.flowmeasinst.2014.05.013
Bagheri, S., Kabiri-Samani, A. R., & Heidarpour, M. (2014). Discharge coefficient of rectangular sharp-crested side weirs Part II: Domínguez’s method. Flow Measurement and Instrumentation, 35, 116–121. https://doi.org/10.1016/j.flowmeasinst.2013.10.006
Balahang, S., & Ghodsian, M. (2024). Enhancing rectangular side weir discharge prediction using stacking technique. Flow Measurement and Instrumentation, 97, 102622. https://doi.org/10.1016/j.flowmeasinst.2024.102622
Biggiero, V., Longobardi, D., & Pianese, D. (1994). Indagine sperimentale su sfioratori laterali a soglia bassa. Giornale Del Genio Civile, 132(7-8–9), 183–199.
Bilhan, O., Emiroglu, M. E., & Kisi, O. (2010). Application of two different neural network techniques to lateral outflow over rectangular side weirs located on a straight channel. Advances in Engineering Software, 41(6), 831–837. https://doi.org/10.1016/j.advengsoft.2010.03.001
Borghei, S. M., Jalili, M. R., & Ghodsian, M. (1999). Discharge coefficient for sharp-crested side weir in subcritical flow. Journal of Hydraulic Engineering, 125(10), 1051–1056. https://doi.org/10.1061/(ASCE)0733-9429(1999)125:10(1051)
Cheong, H.-F. (1991). Discharge coefficient of lateral diversion from trapezoidal channel. Journal of Irrigation and Drainage Engineering, 117(4), 461–475. https://doi.org/10.1061/(ASCE)0733-9437(1991)117:4(461)
Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20, 273–297. https://doi.org/10.1007/Bf00994018
Dhar, M., Sapkota, S. C., Saha, P., & Arora, S. (2025). Evaluating Discharge Coefficient of Rectangular Sharp Crested Weirs Using Machine Learning Models. Water Resources Management, 39(8), 4151-4171. https://doi.org/10.1007/s11269-025-04152-3
Ebtehaj, I., Bonakdari, H., Zaji, A. H., Azimi, H., & Khoshbin, F. (2015). GMDH-type neural network approach for modeling the discharge coefficient of rectangular sharp-crested side weirs. Engineering Science and Technology, an International Journal, 18(4), 746–757. https://doi.org/10.1016/j.jestch.2015.04.012
El-Khashab, A., & Smith, K. V. H. (1976). Experimental investigation of flow over side weirs. Journal of the Hydraulics Division, 102(9), 1255–1268. https://doi.org/10.1061/JYCEAJ.0004610
Emiroglu, M. E., Agaccioglu, H., & Kaya, N. (2011). Discharging capacity of rectangular side weirs in straight open channels. Flow Measurement and Instrumentation, 22(4), 319–330. https://doi.org/10.1016/j.flowmeasinst.2011.04.003
Ghaderi, A., Dasineh, M., Abbasi, S., & Abraham, J. (2020). Investigation of trapezoidal sharp-crested side weir discharge coefficients under subcritical flow regimes using CFD. Applied Water Science, 10(1), 1–12. https://doi.org/10.1007/s13201-019-1112-8
Granata, F., Gargano, R., & Santopietro, S. (2016). A flow field characterization in a circular channel along a side weir. Flow Measurement and Instrumentation, 52, 92–100. https://doi.org/10.1016/j.flowmeasinst.2016.09.011
Hager, W. H. (1994). Supercritical Flow in Circular‐Shaped Side Weir. Journal of Irrigation and Drainage Engineering, 120(1), 1–12. https://doi.org/10.1061/(ASCE)0733-9437(1994)120:1(1)
Hien, L. T. T., Van Chien, N., & Xuan-Hien, L. (2024). Advanced hybrid techniques for predicting discharge coefficients in ogee-crested spillways: integrating physical, numerical, and machine learning models. Environmental Research Communications, 6(11), 115002. https://doi.org/10.1088/2515-7620/ad8a24
Jalili, M. R., & Borghei, S. M. (1996). Discussion: discharge coefficient of rectangular side weirs. Journal of Irrigation and Drainage Engineering, 122(2), 132. https://doi.org/10.1061/(ASCE)0733-9437(1996)122:2(132)
Khoshbin, F., Bonakdari, H., Ashraf Talesh, S. H., Ebtehaj, I., Zaji, A. H., & Azimi, H. (2016). Adaptive neuro-fuzzy inference system multi-objective optimization using the genetic algorithm/singular value decomposition method for modelling the discharge coefficient in rectangular sharp-crested side weirs. Engineering Optimization, 48(6), 933–948. https://doi.org/10.1080/0305215X.2015.1071807
MiarNaeimi, F., Azizyan, G., & Rashki, M. (2021). Horse herd optimization algorithm: A nature-inspired algorithm for high-dimensional optimization problems. Knowledge-Based Systems, 213, 106711. https://doi.org/10.1016/j.knosys.2020.106711
Raju, K. G. R., Gupta, S. K., & Prasad, B. (1979). Side Weir in Rectangular Channel. Journal of the Hydraulics Division, 105(5), 547–554. https://doi.org/10.1061/JYCEAJ.0005207
Roushangar, K., Khoshkanar, R., & Shiri, J. (2016). Predicting trapezoidal and rectangular side weirs discharge coefficient using machine learning methods. ISH Journal of Hydraulic Engineering, 22(3), 254–261. https://doi.org/10.1080/09715010.2016.1177740
Roushangar, K., Saadatjoo, R., Abbaszadeh, H., & Panahi, A. (2024a). Estimation of air concentration in chute spillway using metamodel methods. Iranian Journal of Soil and Water Research, 55(4), 601–613. DOI: https://doi.org/10.22059/ijswr.2024.370643.669640 [in Persian].
Roushangar, K. , Abbaszadeh, H. , Saadatjoo, R. and Panahi, A. (2024b). Prediction of Air Concentration in Stepped Spillways Using Data-Oriented Methods. Environment and Water Engineering, 11(3), 316-325. DOI: https://doi.org/10.22034/ewe.2024.433409.1905
Saffar, S., Babarsad, M. S., Shooshtari, M. M., & Riazi, R. (2021). Prediction of the discharge of side weir in the converge channels using artificial neural networks. Flow Measurement and Instrumentation, 78, 101889. https://doi.org/10.1016/j.flowmeasinst.2021.101889
Seyedian, S. M., & Kisi, O. (2024). Uncertainty analysis of discharge coefficient predicted for rectangular side weir using machine learning methods. Journal of Hydrology and Hydromechanics, 72(1), 113-130. https://doi.org/10.2478/johh-2023-0043
Subramanya, K., & Awasthy, S. C. (1972). Spatially varied flow over side-weirs. Journal of the Hydraulics Division, 98(1), 1–10. https://doi.org/10.1061/JYCEAJ.0003188