AU - Shahinejad, B. AU - Parsaei, A. AU - Yonesi, H. AU - Shamsi, Z. AU - Arshia, A. TI - Modeling and Estimating Flow Rate in SMBF Flumes using Soft Computation Models PT - JOURNAL ARTICLE TA - JSTNAR JN - JSTNAR VO - 26 VI - 4 IP - 4 4099 - http://jstnar.iut.ac.ir/article-1-4246-fa.html 4100 - http://jstnar.iut.ac.ir/article-1-4246-fa.pdf SO - JSTNAR 4 AB  - در پژوهش حاضر، دبی جریان در فلوم‌های حاوی نیم ‌استوانه‌های جانبی (SMBF) تحت شرایط آزاد و مستغرق با استفاده از مدل‌های ماشین بردار پشتیان (SVM)، رگرسیون انطباقی چندمتغیره اسپلاین (MARS) و مدل شبکه عصبی مصنوعی چندلایه (MLPNN)، شبیه‌سازی و تخمین زده شد. در حالت جریان آزاد از پارامترهای بی‌بعد مستخرج از آنالیز ابعادی شامل نسبت عمق جریان در بالادست به عرض گلوگاه و نسبت انقباض (عرض گلوگاه به عرض کانال) و در حالت مستغرق علاوه بر این دو پارامتر از پارامترهای عمق پایاب به عرض گلوگاه و عمق پایاب به عمق بالادست به‌عنوان ورودی و از فرم بی‌بعد دبی جریان به‌عنوان خروجی مدل‌ها استفاده شد. نتایج نشان داد که در حالت جریان آزاد در مرحله صحت‌سنجی مدل MARS با شاخص‌های آماری 0/985= R2، 0/008=RMSE، % 0/87=MAPE و مدل SVM با شاخص‌های آماری 0/971=R2، 0/0012=RMSE، % 1/376=MAPE و مدل MLPNN با شاخص‌های آماری 0/973= R2، 0/011=RMSE، % 1/304=MAPE دبی جریان را شبیه‌سازی و پیش‌بینی کرده¬اند. در حالت مستغرق شاخص‌های آماری مدل MARS توسعه داده‌ شده عبارت از 0/978= R2، 0/018=RMSE، % 3/6=MAPE و شاخص‌های آماری مدل SVM عبارت از 0/988= R2، 0/014=RMSE، % 4/2=MAPE و شاخص‌های آماری مدل MLPNN عبارت از 0/966= R2، 0/022=RMSE و % 5/7=MAPE هستند. در توسعه مدل‌های SVM و MLPNN به‌ترتیب از توابع کرنل شعاعی و تانژانت هایپربولیک استفاده شد. CP - IRAN IN - LG - eng PB - JSTNAR PG - 91 PT - Research YR - 2023