نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

پتانسیل‌سنجی مدل‌های یادگیری ماشین در شبیه‌سازی میزان دبی انحرافی به کانال آبگیر متاثر از آبشکن‌های L-شکل و T-شکل

نوع مقاله : مقاله پژوهشی

نویسندگان
بهزاد نصیری 1
محمد حیدرنژاد 2
اصلان اگدرنژاد 3
1 دانشجوی کارشناسی ارشد سواحل، بنادر و سازه‌های دریایی، گروه مهندسی عمران ، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.
2 گروه علوم مهندسی آب، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران
3 استادیار، گروه علوم و مهندسی آب، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.
10.22125/iwe.2025.479523.1831
چکیده
آبشکن‌ها یکی از سازه‌های هیدرولیکی مهم در مهندسی رودخانه‌ها و مدیریت منابع آب هستند که به منظور کنترل و هدایت جریان آب و همچنین جلوگیری از فرسایش سواحل رودخانه به کار می‌روند. طراحی و بهینه‌سازی این سازه‌ها نیازمند درک دقیقی از رفتار هیدرولیکی و هندسی آنها تحت شرایط مختلف جریان است. در این پژوهش، کارکرد سه مدل یادگیری ماشین شامل شبکه عصبی (ANN-MLP)، مدل پشتیبان بردار ماشین (SVM) و برنامه‌ریزی بیان ژن (GEP) برای شبیه‌سازی مقدار دبی انحرافی در یک کانال در مدل فیزیکی شامل دو آبشکن L-شکل و T-شکل مورد بررسی قرار گرفت. در مجموع 96 دادة آزمایشگاهی به صورت ترکیبی از سه پارامتر عدد فرود (Fr)، طول نسبی آبشکن (L/B) و زاویه کانال آبگیری (α) به عنوان متغیرهای مستقل ورودی برای مدل‌ها مورد استفاده قرار گرفتند. ارزیابی عملکرد مدل‌ها با استفاده از سه سنجة RMSE، MAE و R2 انجام گرفت. نتایج ضمن تأیید پتانسیل هر سه مدل برای شبیه‌سازی میزان دبی انحرافی نشان داد مدل GEP با ساختار سه ژن برای هر دو نوع آبشکن از دقت بیشتری نسبت به دو مدل دیگر برخودار است به طوری که مقدار (RMSE, MAE, R2) در گام آموزش و آزمون برای آبشکن L-شکل به ترتیب برابر با (9325/0، 9878/0، 2536/1) و )9836/0، 4102/0، 6325/0) و برای آبشکن T-شکل به ترتیب (9025/0، 2534/1، 8502/1) و (9873/0، 3337/0، 4972/0) محاسبه شدند. رتبه‌های دوم و سوم به ترتیب متعلق به مدلMLP 3-8-1 و SVM بود.
کلیدواژه‌ها
هوش مصنوعی
دبی انحرافی
آبشکن
ارزیابی عملکرد
موضوعات

عنوان مقاله English

Evaluating the Efficacy of Machine Learning Models in Quantifying Diverted Flow to Inlet Canal Influenced by L- and T-Shaped Groynes

نویسندگان English

Behzad Nasiri 1
Mohammad Heidarnejad 2
Aslan Egdernezhad 3
1 M.Sc. Student, Department of Civil Engineering, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran.
2 Department of water Science Engineering,, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran
3 Assistant professor, Department of Water Sciences and Engineering, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran.
چکیده English

Groynes are essential hydraulic structures in river engineering and water resources management, employed to regulate, diversion and direct water flow while mitigating riverbank erosion. The design and optimization of these structures necessitate a comprehensive understanding of their hydraulic and geometric behavior across varying flow conditions. This research examines the efficacy of three machine learning models (MLMs)—Artificial Neural Network (ANN), Support Vector Machine (SVM), and Gene Expression Programming (GEP)—in simulating the diverted discharge in a channel within a physical model incorporating L-shaped and T-shaped groynes. A total of 96 experimental data points were utilized, considering three independent input variables: Froude number (Fr), relative length of grpyne (L/B), and angle of the water intake channel (α). The models' performance was assessed using three evaluation metrics: RMSE, MAE, and R². The results, while confirming the potential of all three MLMs for simulating diverted discharge, indicated that the GEP model with a three-gene structure exhibited superior accuracy compared to the other two models for both types of groynes. The values of RMSE, MAE, and R² during the training and testing phases for the L-shaped groyne were 0.9325, 0.9878, 1.2536 and 0.9836, 0.4102, 0.6325, respectively, and for the T-shaped groyne were 0.9025, 1.2534, 1.8502 and 0.9873, 0.3337, 0.4972, respectively. The second and third ranks were attributed to the MLP 3-8-1 and SVM models, respectively.

کلیدواژه‌ها English

Artificial Intelligence
Diverted Flow
Groyne
Performance Assessment
احمدزاده کلیبر، ف. و م. فولادی­پناه. 1402. ارزیابی تابع‌های انتقالی رگرسیونی، ماشین بردار پشتیبان و برنامه‌ریزی بیان ژن در پیش‌بینی پارامترهای رطوبتی خاک در دشت ارسباران. علوم آب و خاک، (2)27، ص 149-135.
اسمعیلی، پ.، س. بوداقپور، م. رستمی و م. میرزایی. 1399. مطالعه آزمایشگاهی مولفه­های طولی سرعت پیرامون آبشکن­های سری ساده.  نشریه علمی پژوهشی مهندسی آبیاری و آب ایران، (42)11، ص 74-60.
امیدی­سراوانی، ف.، فضلاولی، ر.، و صانعی، م. 1396. بررسی آزمایشگاهی تاثیر به کارگیری توام صفحات مستغرق خمیده و آبشکن نفوذپذیر بر میزان آبگیری و تغییرات بستر در دهانه آبگیر، مجله پژوهش آب ایران، (26)11، ص 1.
باجلوند، س.، س. گوهری و م. حیدری. 1401. مطالعه آزمایشگاهی تاثیر زاویه آبشکن چوگانی بر آبشستگی و مقایسه آن با آبشکن ال شکل. مجله مدیریت آب و آبیاری، (3)12، ص 466-455.
تیموری­یگانه، م. 1401. شبیه سازی دو بعدی الگوی جریان در اطراف آبشکن با استفاده از مدل عددی SRH-2. نشریة آب و توسعة پایدار، (1)، ص 134-127.
زمانی، م.، ربیعی­فر، ح.ر. و رستمی، م. 1400. بررسی آزمایشگاهی و عددی تاثیر مکان آبشکن بر شرایط هیدرولیکی و رسوبی آبگیر جانبی. پژوهشنامه مدیریت حوزه آبخیز، (24)12، ص 297-287.
عباسی، ع.ا. و م. ملک­نژاد یزدی. 1393. مطالعة آزمایشگاهی تاثیر طول، فاصله و شکل آبشکن­های T شکل و L شکل نفوذپذیر بر عمق آبشستگی اطراف آنها. دو ماهنامه پژوهش های حفاظت آب و خاک دانشگاه علوم کشاورزی و منابع طبیعی گرگان. (21)4، ص 246-231.
عطارزاده، ع. و قدسیان، م. 1399. بررسی تاثیر سامانه­های مختلف کنترل رسوب بر توپوگرافی بستر در آبگیر جانبی 90 درجه. نشریة مهندسی عمران مدرس، (3)30، ص 128-117.
فولادی­پناه, م. و م. ماجدی­اصل. 1401. کاربرد محاسبات نرم در افزایش دقت پیش‌بینی ضریب دبی جریان سرریزهای جانبی مستطیلی. نشریه علمی پژوهشی مهندسی آبیاری و آب ایران، (4)12، ص 233-213.
فولادی­پناه, م., م. ماجدی­اصل و آ. حق­گویی. 1399. کاربرد الگوریتم‌های هوشمند برای مدلسازی رابطه دبی-اشل در شرایط استغراق سرریزهای کنگره‌ای و خطی. نشریه هیدرولیک، (2)15، ص 164-149.
فولادی­پناه, م.، م. ماجدی­اصل و ر. جعفری­نیا. 1399. کاربرد و ارزیابی الگوریتم SVM برای شبیه‌سازی هندسه‌ی گودال آبشستگی پایین‌دست سرریز سیفونی، نشریه آبیاری و زهکشی ایران، (3)14، ص 1045-1032.
ماجدی­اصل, م.، م. فولادی­پناه, ر. دانشفراز و خ. جنت. 1400. مدل‌سازی و ارزیابی ضریب دبی سرریزهای کنگره‌ای قوسی با روش‌های آزمایشگاهی و فرامدلی. تحقیقات آب و خاک ایران، (7)52، ص 2000-1987.
منادی­زاده، م. 1392. بررسی آزمایشگاهی هیدرولیک جریان در آستانه آبگیر کشت و صنعت دهخدا با استفاده از میکرو مدل، پایانامه کارشناسی ارشد، دانشگاه آزاد شوشتر، شوشتر، ایران.
مهرآیین، م. 1397. مطالعه میدان جریان اطراف آبشکن تیغه­ای و T شکل با تاکید بر تحلیل طیفی و پارامترهای آماری. نشریه مهندسی عمران و محیط زیست دانشگاه تبریز، (3)48، ص 86-75. 
واقفی، م.، ع. خوشابی، م. اکبری و م. قدسیان. 1396. تأثیر زاویه استقرار آبشکن T شکل در قوس بر الگوی جریان با استفاده از مدل عددی FLOW3D.  نشریه آبیاری و زهکشی ایران، (1)11، ص 140-128.
Acharya, A. and Duan J.G. 2011. Three-dimensional simulation of flow field around series of spur dikes. International Refereed Journal of Engineering and Science, 2(7): 36-57.
Azamathulla, H.M., A.H. Haghiabi, and A. Parsaie. 2016. Prediction of Side Weir Discharge coefficient by Support Vector Machine Technique. Water Supply, 16: 1002-1016.
Chen, E.Y. and S. Ikeda. 1997. Horizontal separation in shallow open channel with spur sike. Journal of hydroscience and hydraulic engineering, 15(2): 15-30.
Ferreira, C. 2001. Algorithm for solving gene expression programming: a new adaptive problem. Complex Systems, 13(2): 87-129.
Kisi, O., H.M. Azamathulla, F. Cevat, C. Kulls, M. Kuhdaragh, and Fuladipanah M. 2024. Enhancing river flow predictions: Comparative analysis of machine learning approaches in modeling stage-discharge relationship. Results in Engineering, 22: 102017.
Koken, M. and M. Gogus, M. 2015. Effect of spur dike length on the horseshoe vortex system and the bed shear stress distribution. Journal of Hydraulic Research, 53(2): 196-206.
Kumar T., L.D. Tyagi-Aggarwal and M. Kumar. 2018. Comparison of scour around different shapes of groynes in open channel. International Journal of Recent Trends in Engineering and Research, 4(3): 382-392.
Mall, M., K.S. Priyanka, H. Prasad, and C.S.P. Ojha. 2023. Development of a Framework for Cost–Benefit Analysis of I-Head and T-Head Groynes Based on Scour and Turbulent Flow Characteristics. Sustainability, 15(20): 15000.   
Vapnik. V. 1995. The Nature of Statistical Learning Theory. Springer-Verlag. New York. pp 113-141.
Xiufang Z., M. Pingyi and Y. Chengyu. 2012. Experimental study on flow turbulence distribution around a spur dike with different structure. Procedia Engineering, 28(5): 772-775
نشریه علمی پژوهشی مهندسی آبیاری و آب ایران
دوره 15، شماره 4 - شماره پیاپی 60
تابستان 1404
صفحه 106-127