پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 162 |
| تعداد شماره‌ها | 6,579 |
| تعداد مقالات | 71,072 |
| تعداد مشاهده مقاله | 125,680,881 |
| تعداد دریافت فایل اصل مقاله | 98,911,263 |
تخمین غلظت هوا در سرریز شوت با استفاده از روش‌های فرامدل | ||
| تحقیقات آب و خاک ایران | ||
| دوره 55، شماره 4، تیر 1403، صفحه 601-613 اصل مقاله (1.94 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2024.370643.669640 | ||
| نویسندگان | ||
| کیومرث روشنگر* 1؛ رضا سعادت‌جو2؛ حمیدرضا عباس زاده2؛ آیدین پناهی2 | ||
| 1استاد گروه مهندسی عمران آب دانشگاه تبریز | ||
| 2گروه مهندسی عمران، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران | ||
| چکیده | ||
| یکی از راه‌های جلوگیری از ایجاد فشار منفی و کاویتاسیون در سرریزها، هوادهی به جریان عبوری از سرریزها می‌باشد. شناخت نحوه توزیع تغییرات غلظت هوا در طول سرریز جهت تخمین میزان هوادهی از اهمیت زیادی برخوردار است. در پژوهش حاضر کاربرد روش‌های فرامدل رگرسیونی فرآیند گاوسی (GPR) و ماشین بردار پشتیبان (SVM) در پیش‌بینی غلظت هوا مورد بررسی قرار گرفت. بدین منظور مجموعه داده‌های آزمایشگاهی (2268) به‌دست آمده از مدل‌های هیدرولیکی سرریز شوت در فرآیند مدل‌سازی به کار گرفته شد. مدل‌های ورودی متنوعی بر اساس ترکیب مختلفی از پارامترهای اندازه‌گیری شده تعریف گردید. نتایج به‌دست آمده نشان دهنده توانایی بالای هر دو روش در برآورد غلظت هوای مورد نیاز بر روی سرریز است. در برآورد میزان غلظت هوا در سرریز شوت برای حالتی که هوادهی مصنوعی توسط هواده انجام می‌گیرد پارامترهای دبی جریان (QW)، نسبت فاصله طولی از انتهای دفلکتور به عرض کانال (L/W) و نسبت عمق (عمود بر سرریز) بر عرض کانال (Y/W) تأثیر زیادی داشتند. نتایج شاخص‌های آماری ضریب همبستگی (R)، ضریب تبیین (DC) و خطای جذر میانگین مربعات برای این حالت در روش GPR به‌ترتیب 9214/0، 8451/0 و 1008/0 و مقادیر 9333/0، 8662/0 و 0937/0 در روش SVM است. برای حالتی که هوادهی مصنوعی توسط هواده انجام نمی‌گیرد، مدل با پارامترهای ورودی Qw، L/W، Y/W و ΔP (اختلاف فشار ما بین فشار اتمسفر و فشار زیر جت) با دارا بودن مقادیر 9222/0=R، 8644/0=DC و 0914/0=RMSE در روش GPR و به‌ترتیب با مقادیر 87/0، 7543/0 و 123/0 به‌عنوان برترین مدل انتخاب گردیدند. | ||
| کلیدواژه‌ها | ||
| رگرسیون فرآیند گاوسی؛ سرریز شوت؛ ماشین بردار پشتیبان؛ هوادهی | ||
| عنوان مقاله [English] | ||
| Estimation of air concentration in chute spillway using metamodel methods | ||
| نویسندگان [English] | ||
| kiyoumars roushangar1؛ Reza Saadatjoo2؛ Hamidreza Abbaszadeh2؛ Aydin Panahi2 | ||
| 1Professor, Department of Civil Engineering, Faculty of Civil Engineering, University of Tabriz, Tabriz, Iran | ||
| 2Department of Civil Engineering, Faculty of Civil Engineering, University of Tabriz, Tabriz, Iran | ||
| چکیده [English] | ||
| One of the ways to prevent creating negative pressure and cavitation in spillways is to introduce air into the flow over the spillways. Understanding the distribution of air concentration variations along the spillway is of significant importance for estimating the aeration level. This study explores the application of GPR and SVM molels in predicting air concentration. To achieve this, a dataset of 2268 laboratory experiments obtained from hydraulic models of chute spillways was utilized in the modeling process. Various input models were defined based on different combinations of measured parameters. The results demonstrate the high capability of both methods in estimating the required air concentration over the spillway. In predicting air concentration in the chute spillway under artificial aeration conditions, flow discharge (QW), longitudinal distance ratio from the end of the deflector to the channel width (L/W), and depth ratio (perpendicular to the spillway) to channel width (Y/W) significantly influenced the outcomes. Statistical indices, including R, DC, and RMSE for this case were 0.9214, 0.8451, and 1.008, respectively, in the GPR, and 0.9333, 0.8662, and 0.937 in the SVM. For scenarios without artificial aeration, the model with input parameters QW, L/W, Y/W, and ΔP (pressure difference between atmospheric pressure and the pressure under the jet) achieved the best performance in the GPR method with values of R=0.9222, DC=0.8644, and RMSE=0.914. In the SVM, the same model with values of 0.87, 0.7543, and 0.123 for R, DC, and RMSE, respectively, was selected as the superior model. | ||
| کلیدواژه‌ها [English] | ||
| Aeration, Chute spillway, Gaussian Process Regression, Support Vector Machine | ||
| مراجع | ||
|
Abbaszadeh, H., Norouzi, R., Sume, V., Kuriqi, A., Daneshfaraz, R., & Abraham, J. (2023a). Sill role effect on the flow characteristics (experimental and regression model analytical). Fluids, 8(8), 235. Abbaszadeh, H., Daneshfaraz, R., & Norouzi, R. (2023b). Experimental investigation of hydraulic jump parameters in sill application mode with various synthesis. Journal of Hydraulic Structures, 9(1), 18-42. Abbaszadeh, H., Daneshfaraz, R., Sume, V., & Abraham, J. (2024). Experimental investigation and application of soft computing models for predicting flow energy loss in arc-shaped constrictions. AQUA—Water Infrastructure, Ecosystems and Society, 73(3), 637-661. Chakib, B. (2013). Numerical computation of inception point location for flat-sloped stepped spillway. International Journal of Hydraulic Engineering, 2(3), 4752. Chanson, H. (1988). Study of air entrainment and aeration devices on spillway model. A thesis submitted in partial fulfilment of the requirements for the Degree of Doctor of Philosophy in Civil Engineering at the University of Canterbury, New Zealand. Daneshfaraz, R., Norouzi, R., Abbaszadeh, H., Kuriqi, A., & Di Francesco, S. (2022a). Influence of sill on the hydraulic regime in sluice gates: an experimental and numerical analysis. Fluids, 7(7), 244. Daneshfaraz, R., Norouzi, R., Abbaszadeh, H., & Azamathulla, H. M. (2022b). Theoretical and experimental analysis of applicability of sill with different widths on the gate discharge coefficients. Water Supply, 22(10), 7767-7781. Daneshfaraz, R., Norouzi, R., Ebadzadeh, P., Di Francesco, S., & Abraham, J. P. (2023a). Experimental study of geometric shape and size of sill effects on the hydraulic performance of sluice gates. Water, 15(2), 314. Daneshfaraz, R., Norouzi, R., Ebadzadeh, P., & Kuriqi, A. (2023b). Influence of sill integration in labyrinth sluice gate hydraulic performance. Innovative Infrastructure Solutions, 8(4), 118 Franc, J. P., & Michel, J. M. (2006). Fundamentals of cavitation (Vol. 76). Springer science & Business media. Hassanzadeh, Y., & Abbaszadeh, H. (2023). Investigating discharge coefficient of slide gate-sill combination using expert soft computing models. Journal of Hydraulic Structures, 9(1), 63-80. Kermani, E. F., Barani, G. A., & Hessaroeyeh, M. G. (2013). Investigation of cavitation damage levels on spillways. World Applied Sciences Journal, 21(1), 73-78. Norouzi, R., Sihag, P., Daneshfaraz, R., Abraham, J., & Hasannia, V. (2021). Predicting relative energy dissipation for vertical drops equipped with a horizontal screen using soft computing techniques. Water Supply, 21(8), 4493–4513. Pfister, M. (2011). Chute aerators: Steep deflectors and cavity subpressure. Journal of Hydraulic Engineering, 137(10), 1208–1215. Pfister, M., & Hager, W. H. (2010). Chute aerators: Air transport characteristics. Journal of Hydraulic Engineering, 136(6), 352–359. Rahmeyer, W. J. (1981). Cavitation damage to hydraulic structures. American Water Works Association, 73(5), 270-274. Rasmussen, C. E., & Williams, C. K. (2006). Gaussian processes for machine learning (Vol. 1, p. 159). Cambridge, MA: MIT press. Raza, A., Wan, W., & Mehmood, K. (2021). Stepped spillway slope effect on air entrainment and inception point location. Water, 13(10), 1428. Roushangar, K., & Homayounfar, F. (2019). Prediction characteristics of free and submerged hydraulic jumps on horizontal and sloping beds using SVM method. KSCE Journal of Civil Engineering, 23(11), 4696-4709. Roushangar, K., & Shahnazi, S. (2020). Prediction of sediment transport rates in gravel-bed rivers using Gaussian process regression. Journal of Hydroinformatics, 22(2), 249-262. Salmasi, F., Abraham, J., & Salmasi, A. (2021). Effect of stepped spillways on increasing dissolved oxygen in water, an experimental study. Journal of Environmental Management, 299, 113600. Süme, V., Daneshfaraz, R., Kerim, A., Abbaszadeh, H., & Abraham, J. (2024). Investigation of clean energy production in drinking water networks. Water Resources Management, 38(6), 2189-2208. Vapnik, V. N. (1995). The Nature of Statistical Learning Theory. Springer-Verlag, New York. Wu, J., Ma, F., & Dai, H. C. (2011). Influence of filling water on air concentration. Journal of Hydrodynamics, 23(5), 601-606. | ||
|
آمار تعداد مشاهده مقاله: 169 تعداد دریافت فایل اصل مقاله: 140 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب