محیط زیست و مهندسی آب

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

بر اساس موضوعات

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

اعضای هیات تحریریه

بانک ها و نمایه نامه ها

اطلاعات آماری نشریه

فرایند پذیرش مقالات

پرسش‌های متداول

پیوندهای مفید

اخبار و اعلانات

فرمت مقاله

فرمها و فایلهای لازم

پرداخت هزینه

راهنمای استفاده از سایت مجله

اصول اخلاقی انتشار مقاله

سیاست دسترسی آزاد

اصول بایگانی

ارزیابی مدل‌های محاسبات نرم مبتنی بر روابط رگرسیونی جهت تخمین افت انرژی در سرریزهای گابیونی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه مهندسی آب، دانشکده مهندسی عمران و نقشه‌برداری، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفت، کرمان، ایران

2 دانشیار، گروه مهندسی آب، دانشکده مهندسی عمران و نقشه‌برداری، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران

3 استادیار، گروه مهندسی آب، دانشکده مهندسی عمران و نقشه برداری، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته،‌ کرمان، ایران

چکیده

برآورد میزان افت انرژی جریان در سرریزهای گابیونی می­تواند در کنترل فرسایش پایین‌دست سازه، مهار سیلاب و تثبیت بستر رودخانه مؤثر باشد. ازاین‌رو در این پژوهش با استفاده از مدل رگرسیون چندجمله‌ای تکاملی (EPR) و رگرسیون چند متغیره تطبیقی اسپلاین (MARS) به تخمین مقدار افت انرژی در این سرریزها پرداخته شد. از 74 نمونه داده آزمایشگاهی حدود ۷۵٪ برای آموزش و ۲۵٪ باقیمانده برای آزمایش مدل‌ها استفاده شد. پارامترهای بی‌بعد عدد فرود (Fr)، شیب سرریز (S)، شماره گابیون (GN) و تخلخل (n) به‌عنوان پارامترهای ورودی استفاده شد. نتایج نشان داد مدل MARS مقادیر تخمین افت انرژی را با حداقل مربعات میانگین خطا (RMSE)، میانگین درصد قدر مطلق خطا (MAPE) و ضریب همبستگی (CC) به ترتیب برابر 054/0، 017/0 و 99/0 پیش­بینی می‌نماید که از دقت بهتری نسبت به مدل EPR برخوردار است. نتایج دیاگرام تیلور نیز نشان داد که عملکرد MARS و EPR مناسب است و دقت بسیار نزدیک به هم دارند. معادله رگرسیونی استخراجی از مدل EPR از پیچیدگی زیادی نسبت به معادله رگرسیونی استخراجی از مدل MARS برخوردار بود. با توجه به نتایج کسب‌شده استفاده از مدل‌های مذکور در تخمین افت انرژی در سرریزها توصیه می­شود.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Evaluation of Regression-Based Soft Computing Techniques for Estimating Energy Loss in Gabion Spillways

نویسندگان [English]

  • Reza Mobayen 1
  • Mohammad Najafzadeh 2
  • Kambiz Farrahi-Moghaddam 3

1 M.Sc. Student, Department of Water Engineering, Faculty of Civil and Surveying Engineering, Graduate University of Advanced Technology, Kerman, Iran

2 Assoc. Professor, Department of Water Engineering, Faculty of Civil and Surveying Engineering, Graduate University of Advanced Technology, Kerman, Iran

3 Assist. Professor, Department of Water Engineering, Faculty of Civil and Surveying Engineering, Graduate University of Advanced Technology, Kerman, Iran

چکیده [English]

Estimation of flow energy loss in gabion spillways can be effective in managing erosion downstream of structures, flood control, and riverbed stabilization. Therefore, in this research, using two soft computing models evolutionary polynomial regression (EPR) and multivariate adaptive regression spline (MARS), the amount of energy loss in these spillways was estimated. About 75% of the 74 laboratory data samples were used for training and the remaining 25% were used for testing the models. The dimensionless parameters of Froude number (Fr), spillway slope (S), gabion number (GN), and porosity (n) were used as input parameters. The results showed that the MARS model predicted the energy loss values by root mean square error (RMSE), mean absolute percentage error (MAPE), and correlation coefficient (CC) of 0.05, 0.017, and 0.99, respectively, which has better performance than the EPR model has. The results of the Taylor diagram also showed that the performance of MARS and EPR are satisfying, and their accuracy is very close to each other. The regression equation by the EPR model was more complex than the regression equation by the MARS model. According to the obtained results, the use of the two soft computing models in estimating energy loss in spillways is recommended.

کلیدواژه‌ها [English]

  • Energy Loss
  • Regression
  • River Engineering
  • Spillway
مراجع
Barani, G. and Sadeghi, H. (2003). Estimation of energy dissipation over stepped weirs using artificial    neural network. Proc. 2003 6th Int. Conf. on Civil Engineering, Iran [In Persian]
Chen, W., Panahi, M., Khosravi, K., Pourghasemi, H. R. and Rezaie, F. and Parvinnezhad, D. (2019). Spatial prediction of groundwater potentiality using ANFIS ensembled with teaching-learning-based and biogeography-based optimization. J. Hydrol., 572, 435-448. DOI: 10.1016/j.jhydrol.2019.03.013.
Fathi-moghaddam, M., Sadrabadi, M. T. and Rahmanshahi. M. (2018). Numerical simulation of the hydraulic performance of triangular and trapezoidal gabion weirs in free flow condition. J. Flow Measure. Instrument., 62(1), 93-104. DOI: 10.1016/j.flowmeasinst.2018.05.005
Friedman, J. H. (1991). Multivariate adaptive regression splines.  Annal. Statistic., 19(1), 1-67. DOI: 10.1214/aos/1176347963
Ghorbani, A. and Eslami, A. (2021). Energy-based model for predicting liquefaction potential of sandy soils using evolutionary polynomial regression method. Comput. Geotechnic., 129, 103867. DOI: 10.1016/j.compgeo.2020.103867
Giustolisi, O. and Savic, D. A. (2006). A symbolic data-driven technique based on evolutionary polynomial regression. J. Hydroinform., 8(3). DOI: 10.2166/hydro.2006.020b
Jamei, M., Karbasi, M., Mosharaf-Dehkordi, M., Olumegbon, I. A., Abualigah, L., Said, Z. and Asadi, A. (2021). Estimating the density of hybrid nanofluids for thermal energy application: Application of non-parametric and evolutionary polynomial regression data-intelligent techniques. Measure., 110524. DOI: 10.1016/j.measurement.2021.110524
Kayhomayoon, Z. Azar, N. A. Milan, S. G. Moghaddam, H. K. and Berndtsson, R. (2021). Novel approach for predicting groundwater storage loss using machine learning. J. Environ. Manage., 296. 113237. DOI: 10.1016/j.jenvman.2021.113237
Khatibi, R., Salmasi, F., Ghorbani, M. A. and Asadi, H. (2014). Modelling energy dissipation over stepped-gabion weirs by artificial intelligence. Water Resour. Manage., 28(7), 1807-1821. DOI: 10.1007/s11269-014-0545-y
Mehri, Y., Soltani, J. and Khashehchi, M. (2019). Predicting the coefficient of discharge for piano key side weirs using GMDH and DGMDH techniques. Flow Measure. Instrument., 65, 1-6. DOI: 10.1016/j.flowmeasinst.2018.11.002
Milan, S. G., Roozbahani, A., Azar, N. A. and Javadi, S. (2021). Development of adaptive neuro fuzzy inference system–Evolutionary algorithms hybrid models (ANFIS-EA) for prediction of optimal groundwater exploitation. J. Hydrol., 598. 126258. DOI: 10.1016/j.jhydrol.2021.126258
Moghaddam, H. K., Milan, S. G., Kayhomayoon, Z. and Azar, N. A. (2021). The prediction of aquifer groundwater level based on spatial clustering approach using machine learning. Environ. Monit. Assess., 193(4), 1-20. DOI: 10.1007/s10661-021-08961-y
Naseri, R. and Kashefipour, S. M. (2019). The effect of stepped spillway prosity with gabion on weir energy dissipation and characteristics of downstream hydraulic jump. Irrig. Sci. Eng., 45(1), 1-17. DOI: 10.22055/jise.2019.18454.1337 [In Persian]
Reeve, D. E., Zuhaira, A. A. and Karunarathna, H. (2019). Computational investigation of hydraulic performance variation with geometry in gabion stepped spillways. Water Sci. Eng., 12(1), 62-72. DOI: 10.1016/j.wse.2019.04.002
Rezaie-Balf, M. (2019). Multivariate adaptive regression splines model for prediction of local scour depth downstream of an apron under 2D horizontal jets. Iran. J. Sci. Technol. Transact. Civil Eng., 43(1), 103-115. DOI: 10.1007/s40996-018-0151-y
Salmasi, F., Farsadizade, D. and Mohit, H. (2011). Experimental Evaluation of energy dissipation over gabion stepped spillway. Wate Soil Sci., 21(4), 152-164 [In Persian].
Sattar, A. A., Elhakeem, M., Rezaie-Balf, M., Gharabaghi, B. and Bonakdari, H. (2019). Artificial intelligence models for prediction of the aeration efficiency of the stepped weir. Flow Measure. Instrument., 65, 78–89. DOI: 10.1016/j.flowmeasinst.2018.11.017
Vashisth, A. (2017). Energy dissipation over stepped gabion weir. Int. J. Dynamic. Fluid., 13(1), 153-159.
Zhang, W. and Goh, A. T. (2016). Multivariate adaptive regression splines and neural network models for prediction of pile drivability. Geosci. Front., 7(1), 45-52. DOI: 10.1016/j.gsf.2014.10.003
محیط زیست و مهندسی آب
دوره 9، شماره 2
تیر 1402
صفحه 241-255
فایل ها
سابقه مقاله
  • تاریخ دریافت: 21 بهمن 1400
  • تاریخ بازنگری: 04 مرداد 1401
  • تاریخ پذیرش: 05 مرداد 1401
هم رسانی
ارجاع به این مقاله
آمار