پیش‌بینی دبی جریان در فلوم‌های بافل مرکزی :(CBF)رویکردی مبتنی بر مدل‌های یادگیری ماشین و اعتبارسنجی گروهی

کد مقاله : 1014-CONFIHA

نویسندگان

محمد خسروی، الهام قنبری عدیوی * دانشگاه شهرکرد

چکیده مقاله

پیش‌بینی دقیق پارامترهای هیدرولیکی در سازه‌های کنترل جریان، نقشی حیاتی در مدیریت بهینه منابع آب و طراحی پایدار زیرساخت‌های هیدرولیکی ایفا می‌کند. در این پژوهش، عملکرد سه مدل یادگیری ماشین شامل رگرسیون بردار پشتیبان (SVR)، جنگل تصادفی (RF) و گرادیان تقویتی (GB)جهت پیش‌بینی دبی جریان در فلوم بافل مرکزی (CBF) به‌صورت تطبیقی ارزیابی شد. در این راستا، ۳۶۴ داده از پژوهش‌های مرجع استخراج و از میان‌یابی یکنوای هرمیتی (PCHIP) جهت بهبود توزیع داده‌ها استفاده گردید. برای تضمین تعمیم‌پذیری، اعتبارسنجی گروهی (Group-Based CV) بر پایه پیکربندی‌های هندسی انجام شد. نتایج نشان داد مدل گرادیان تقویتی با 905/0 R²=بهترین عملکرد را در پیش‌بینی پیکربندی‌های هندسی ارائه می‌دهد. تحلیل اهمیت ویژگی‌ها، عمق بالادست را به‌عنوان متغیر غالب معرفی کرد و آزمون ویلکاکسون، برتری معنادار مدل‌های درختی نسبت به SVR را تأیید نمود. یافته‌ها حاکی از پایداری بالای مدل‌های درختی در تحلیل نواحی مرزی و برون‌یابی نسبت به مدل‌ های مبتنی بر هسته است.

کلیدواژه ها

سازه‌های کنترل جریان، فلوم بافل مرکزی، رگرسیون بردار پشتیبان، جنگل تصادفی، گرادیان تقویتی

وضعیت: پذیرفته شده برای ارسال فایل های ارائه پوستر