مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

52
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

21
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

ارزیابی عملکرد مدل LS-SVR در تخمین عمق آبشستگی در گروه پایه پل ها

صفحات

 صفحه شروع 94 | صفحه پایان 108

چکیده

 در این پژوهش از دو مدل یادگیری ماشین شامل LS-SVR و ANFIS برای پیش­بینی عمق آب شستگی اطراف پایه­های پل استفاده شد. برای این منظور از 240 سری داده شامل پارامترهای مرتبط با هندسه پایه ها, شرایط جریان و خصوصیات جریان و نیز پارامترهای بدون بعد استفاده شد. برای پیش­بینی از دو الگوی ورودی استفاده شد. در الگوی اول, پارامترهای بدون بعد و در الگوی دوم پارامترهای با بعد در نظر گرفته شدند. عملکرد مدل ها با استفاده از معیارهای ریشه میانگین مربعات خطا (RMSE), میانگین درصد مطلق خطا (MAPE) و ضریب نش-ساتکلیف (NSE) ارزیابی شدند. نتایج نشان داد که در هر دو مدل, استفاده از پارامترهای با بعد برای پیش­بینی منجر به دقت بالای پیش­بینی می شود. مقایسه بین مدل ها نیز نشان داد که الگوریتم LS-SVR  با معیارهایRMSE=46.84, MAPE=38.03 , NSE=0.62 برای داده­های آزمون الگوی اول و RMSE=28.62 , MAPE=38.97 , NSE=0.67 برای داده­های آزمون الگوی دوم دقت بالاتری نسبت به الگوریتم ANFIS دارد. نتایج این تحقیق حاکی از این است که مدل­های یادگیری ماشین جایگزین مناسبی برای مدل­های تجربی در پیش­بینی عمق آبشستگی پایه­های پل هستند.

چندرسانه ای

  • ثبت نشده است.

    • استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    مقالات مرتبط نشریه ای

  • ثبت نشده است.

    • مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button