نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

عملکرد روش های ماشین بردار پشتیبان، جنگل تصادفی و GMDH در پیش بینی دبی جریان از دریچه‌های فلپ مستطیل شکل

نوع مقاله : مقاله پژوهشی

نویسندگان
بهاره بهداروندی 1
محمدرضا زایری 2
مهدی قمشی 3
مهدی دریائی 4
1 دانشجوی کارشناسی ارشد مهندسی عمران آب و سازه های هیدرولیکی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز
2 استادیار گروه سازه های آبی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران
3 استاد گروه سازه های آبی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران
4 دانشیار گروه سازه های آبی-دانشکده مهندسی آب و محیط زیست-دانشگاه شهید چمران اهواز-اهواز-ایران
10.22125/iwe.2024.460044.1811
چکیده
نصب و ایجاد سازه‌های مناسب اندازه‌گیری جریان، بهره‌برداری صحیح از آنها و جمع‌آوری اطلاعات مربوط به مصرف آب، نقشی اساسی در قدرت تصمیم‌گیری برای مدیران شبکه، عدالت در توزیع و انتقال آب و در نهایت صرفه‌جویی در مصرف آب دارد. یکی از تجهیزات ساده و ارزان برای کنترل خودکار و همچنین اندازه‌گیری جریان، دریچه‌های فلپ یا آویخته است. در این پژوهش از نتایج آزمایشگاهی به دست آمده از سازه دریچه‌ی مستطیلی لولای شکل که با قرار دادن در کانال مطابق با مشخصات هیدرولیکی و هندسی منجر به اندازه‌گیری دبی جریان میشود، جهت توسعه مدل های یادگیری ماشین مورد استفاده قرار گرفت. به منظور برآورد دبی جریان در این نوع از کانال ها از مدل‌های شامل دسته‌بندی گروهی داده‌ها (GMDH)، ماشین بردار پشتیبان (SVM) و جنگل تصادفی (RF) استفاده گردید. بدین جهت از پارامترهای نظیر عمق آب، عرض کانال همچنین عرض، طول، ضخامت و وزن دریچه به‌عنوان متغیرهای ورودی و دبی جریان به‌عنوان متغیر خروجی (پاسخ) به مدلسازی در نظر گرفته شد. نتایج نشان داد که مقدار آماره ریشه میانگین مربعات خطا (RMSE) برای مدل‌های مبتنی بر GMDH، SVM و RF به‌ترتیب، 024/0، 011/0 و 041/0 و مقدار آماره ضریب تعیین (R2) به‌ترتیب، 981/0، 996/0 و 955/0 به‌دست آمد. مقایسه بین تحقیقات گذشته و نتایج حاضر حاکی از برتری عملکرد مدل مبتنی بر SVM نسبت به سایر مدل‌های توسعه یافته بود. عمق آب به عرض کانال به‌عنوان مهم‌ترین داده ورودی مدل‌ها توسعه یافته شناسایی شد.
کلیدواژه‌ها
دریچه‌ آویزان
کنترل خودکار
شبکه‌های آبیاری
محاسبات نرم
اندازه گیری دبی
موضوعات

عنوان مقاله English

Performance of Support Vector Machines, Random Forest, and GMDH Methods for Predicting Flow Rate from Rectangular Flap Gates

نویسندگان English

bahareh behdarvandi 1
mohammad reza zayeri 2
mehdi ghomeshi 3
Mehdi Daryaee 4
1 Master's student in water civil engineering and hydraulic structures, Faculty of Water and Environmental Engineering, Shahid Chamran University of Ahvaz
2 Assistant Professor, Department of Hydraulic Structures, Faculty of Water and Environmental Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran
3 Professor, Department of Hydraulic Structures, Faculty of Water and Environmental Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran.
4 Associate Professor, Department of Water Structures, Faculty of Water and Environmental Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran.
چکیده English

Installation and establishment of appropriate flow measurement structures, their proper operation, and collection of water consumption data play a crucial role in empowering network managers' decision-making, ensuring fair water distribution and transmission, and ultimately achieving water conservation. Flap or hanging gates are simple and inexpensive devices for both automatic control and flow measurement. In this research, the laboratory results obtained from a rectangular hinged gate structure, which is placed in a channel according to hydraulic and geometric specifications and leads to flow rate measurement, were used to develop machine learning models. To estimate the flow rate in this type of channel, models including Group Method of Data Handling (GMDH), Support Vector Machines (SVM), and Random Forest (RF) were employed. To this end, parameters such as water depth, channel width and gate width, length, thickness, and weight were considered as input variables, and flow rate as the output (response) variable for modeling. The results showed that the Root Mean Square Error (RMSE) values for GMDH-, SVM-, and RF-based models were 0.024, 0.011, and 0.041, respectively, and the Coefficient of Determination (R2) values were 0.981, 0.996, and 0.955, respectively. A comparison between past research and the present results indicated the superiority of the SVM-based model over the other developed models. Water depth to channel width was identified as the most significant input data for the developed models

کلیدواژه‌ها English

Flap Gates
automatic control discharge
irrigation networks
soft Computing
flow measurement
628. https://doi.org/10.1016/j.asoc.2015.07.003
Ghaderinia, H., Seyedzadeh, A., Vatankhah, A., 2019. Discharge Estimation in Semicircular Canals using Flap Plate. Iran. J. Soil Water Res. 50, 1183–1191. https://doi.org/10.22059/ijswr.2018.261828.667965
Gorgin, F., Vatankhah, A.R., 2022. Rectangular top-hinged plate as portable flow measuring device. Water Supply 22, 8637–8658.
Ivakhnenko, A.G., 1971. Polynomial Theory of Complex Systems. IEEE Trans. Syst. Man Cybern. SMC-1, 364–378. https://doi.org/10.1109/TSMC.1971.4308320
J. A. Replogle, B. T. Wahlin, 2003. HEAD LOSS CHARACTERISTICS OF FLAP GATES AT THE ENDS OF DRAIN PIPES. Trans. ASAE 46. https://doi.org/10.13031/2013.13970
Kartal, V., Emin Emiroglu, M., Katipoglu, O.M., 2024. Modeling of discharge capacity of H-weir using experiments, bio-inspired optimization and data preprocess based on SVM. Int. J. Environ. Sci. Technol. https://doi.org/10.1007/s13762-024-05494-y
Litrico, X., Belaud, G., Baume, J.P., Ribot-Bruno, J., 2005. Hydraulic modelling of an automatic upstream water level control gate. J. Irrig. Drain. Eng. 131, 176–189. https://doi.org/10.1016/(ASE)0733-9437(2005)131:2(176)
Mahmoudi, B., Farhoudi, J., 2019. Discharge estimation of flap gate installed in a circular channel under free flow condition. Iran. Water Res. J. 13, 127–136.
Moghtaderi, A., Valizadegan, E., 2021. Investigation of the Hydraulic Characteristics of Flap Gates at the End of Trapezoidal Channels. JWSS - Isfahan Univ. Technol. 25, 107–118. https://doi.org/10.47176/jwss.25.2.42921
Momeni, E., Nazir, R., Jahed Armaghani, D., Maizir, H., 2014. Prediction of pile bearing capacity using a hybrid genetic algorithm-based ANN. Measurement 57, 122–131. https://doi.org/10.1016/j.measurement.2014.08.007
Parsaie, A., Haghiabi, A.H., Emamgholizadeh, S., Azamathulla, H.M., 2019. Prediction of discharge coefficient of combined weir-gate using ANN, ANFIS and SVM. Int. J. Hydrol. Sci. Technol. 9, 412. https://doi.org/10.1504/IJHST.2019.102422
Rabiee Moghadam, A., Khodashenas, S., Ziaie, A.N., 2018. Hydraulic study and Design of modified flap gate to automate the water level control in canals. Iran. J. Irrig. Drain. 12, 335–343.
Roushangar, K., Saghebian, S.M., Mouaze, D., 2017. Predicting characteristics of dune bedforms using PSO-LSSVM. Int. J. Sediment Res. 32, 515–526. https://doi.org/10.1016/j.ijsrc.2017.09.005
Salmasi, F., Shadkani, S., Abraham, J., Malekzadeh, F., 2022. Experimental Investigation for Determination of Discharge Coefficients for Inclined Slide Gates and Comparison with Data-Driven Models. Iran. J. Sci. Technol. Trans. Civ. Eng. 46, 2495–2509. https://doi.org/10.1007/s40996-022-00850-9
Siasar, H., Honar, T., 2019. Application of Support vector machine, CHAID and Random forest models, in estimated daily Reference evapotranspiration in northern Sistan and Baluchestan province. Iran. J. Irrig. Drain. 13, 378–388.
Taylor, K.E., 2001. Summarizing multiple aspects of model performance in a single diagram. J. Geophys. Res. Atmospheres 106, 7183–7192. https://doi.org/10.1029/2000JD900719
Valipour, M., 2013. INCREASING IRRIGATION EFFICIENCY BY MANAGEMENT STRATEGIES: CUTBACK AND SURGE IRRIGATION 8.
Yan, X., Wang, Y., Fan, B., Mohammadian, A., Liu, J., Zhu, Z., 2023. Data-driven modeling of sluice gate flows using a convolutional neural network. J. Hydroinformatics 25, 1629–1647. https://doi.org/10.2166/hydro.2023.200
Yang, L., Peng, T., Zheng, L., Wang, X., 2017. Experimental study on characteristics of discharge coefficient of hydraulic flap gate. 工程科学与技术 Adv. Eng. Sci. 49, 54–59.
Yaseen, Z.M., 2021. An insight into machine learning models era in simulating soil, water bodies and adsorption heavy metals: Review, challenges and solutions. Chemosphere 277, 130126. https://doi.org/10.1016/j.chemosphere.2021.130126
Yaseen, Z.M., Alawi, O.A., Alshammari, A.M., Alsuwaiyan, A., Oyedeji, M.O., Oudah, A.Y., 2023. Development of Advanced Data-Intelligence Models for Radial Gate Discharge Coefficient Prediction: Modeling Different Flow Scenarios. Water Resour. Manag. 37, 5677–5705. https://doi.org/10.1007/s11269-023-03624-8
Zayeri, M., 2023. Discharge Prediction in Flumes with Trapezoidal Contraction by Machine Learning Techniques. Irrig. Drain. Struct. Eng. Res. 24, 55–70. https://doi.org/10.22092/idser.2023.363054.1549
Zhang, Y., Chiew, F.H.S., Li, M., Post, D., 2018. Predicting Runoff Signatures Using Regression and Hydrological Modeling Approaches. Water Resour. Res. 54, 7859–7878. https://doi.org/10.1029/2018WR023325