fa مقایسه کارایی هیدرولیکی سرریزهای غیر‌خطی قوسی در پلان با استفاده از شبکه‌های عصبی GEP و SVM عمومی Ggeneral پژوهشي Research <div style="text-align: justify;"><span style="font-size:11pt"><span style="line-height:150%"><span style="direction:rtl"><span style="unicode-bidi:embed"><span style="font-family:Calibri,sans-serif"><span lang="FA" style="font-size:12.0pt"><span style="line-height:150%"><span b="" nazanin="" style="font-family:">سرریزهای غیرخطی ضمن دارا بودن مزیت‌های اقتصادی، قابلیت عبوردهی بیشتری را نسبت به سرریزهای خطی دارند. این سرریزها با افزایش طول تاج در یک عرض مشخص، در مقایسه با سرریزهای خطی راندمان دبی بیشتر با ارتفاع آزاد کمتر را در بالادست دارند. الگوریتم‌های هوشمند به‌دلیل توانایی زیاد در کشف رابطه‌های دقیق پیچیدۀ مخفی بین پارامترهای مستقل مؤثر و پارامتر وابسته و همچنین صرفه‌جویی مالی و زمانی، جایگاه بسیار ارزشمندی بین پژوهشگران پیدا کرده‌اند. در این پژوهش عملکرد الگوریتم‌های ماشین‌بردار پشتیبان &nbsp;(SVM) و برنامه‌ریزی بیان ژن (GEP) در پیش‌بینی ضریب دبی سرریزهای غیرخطی قوسی به کمک 243 سری دادۀ آزمایشگاهی برای سناریو اول و 247 سری داده آزمایشگاهی برای سناریو دوم بررسی شده است. پارامترهای هندسی و هیدرولیکی استفاده شده شامل بار آبی&nbsp;(HT/p)، ارتفاع سرریز (P)، نسبت بار آبی کل &nbsp;، زاویه سیکل قوسی (Ɵ)، زاویه دیواره سیکل(&alpha;) &nbsp;و ضریب دبی (Cd) است. نتایج هوش مصنوعی نشان داد که ترکیب پارامترهای (H_T/p ،&alpha; ،Ɵ و Cd) به‌ترتیب در الگوریتم‌های GEP و SVM در مرحلۀ آموزش مربوط به سناریو اول (سرریز کنگره&not;ای با زاویۀ دیوارۀ سیکل 6 درجه) به‌ترتیب برابر است با&nbsp; (0/9811=R2)، (RMSE=0/02120)،&nbsp;&nbsp;(DC=0/9807)،&nbsp;(R2=0/9896)، (RMSE=0/0189)،&nbsp;&nbsp;(DC=0/9871).&nbsp; (در سناریو دوم (سرریز کنگره‌ای با زاویۀ دیوارۀ سیکل 12 درجه) به‌ترتیب برابراست با&nbsp;(0/9770=R2)،(RMSE=0/0193)،&nbsp;(DC=0/9768) و&nbsp;(9908/0=R2)،&nbsp;&nbsp;(RMSE=0/0128)،&nbsp;&nbsp;(DC=0/9905) که در مقایسه با دیگر ترکیب‌ها منجر به بهینه‌ترین خروجی شده است که نشان‌دهنده دقت بسیار مطلوب هر دو الگوریتم در پیش‌بینی ضریب دبی سرریز غیرخطی قوسی است. نتایج آنالیز حساسیت نشان داد که پارامتر مؤثر در تعیین ضریب دبی سرریز غیرخطی قوسی در GEP و هم در SVM پارامتر نسبت بار آبی کل (HT/p) است. مقایسه نتایج این پژوهش با سایر پژوهشگران نشان می‌دهد که شاخصه‌های ارزیابی برای الگوریتم‌های GEP و SVM پژوهش حاضر نسبت به سایر پژوهشگران برآورد بهتری دارند.</span></span></span></span></span></span></span></span></div> <div style="text-align: justify;"><span style="font-size:11pt"><span style="line-height:150%"><span style="font-family:Calibri,sans-serif"><span style="font-size:10.0pt"><span style="line-height:150%"><span new="" roman="" style="font-family:" times="">Non-linear weirs meanwhile economic advantages, have more passing flow capacity than linear weirs. These weirs have higher discharge efficiency with less free height upstream compared to linear weirs by increasing the length of the crown at a certain width. Intelligent algorithms have found a valuable place among researchers due to their great ability to discover complex and hidden relationships between effective independent parameters and dependent parameters, as well as saving money and time. In this research, the performance of support vector machine (SVM) and gene expression programming algorithm (GEP) in predicting the discharge coefficient of arched non-linear weirs was investigated using 243 laboratory data series for the first scenario and 247 laboratory data series for the second scenario. The geometric and hydraulic parameters were used in this research including the water load (HT), weir height (P), total water load ratio (HT/p), arc cycle angle (Ɵ), cycle wall angle (&alpha;), and discharge coefficient (Cd). The results of artificial intelligence showed that the combination of parameters (Cd, H_T/p, &alpha;, Ɵ) respectively in GEP and SVM algorithms in the training phase related to the first scenario (Labyrinth weir with cycle wall angle 6 degrees) were respectively equal to (R2=0.9811), (RMSE=0.02120), (DC=0.9807), and (R2=0.9896), (RMSE=0.0189), (DC=0.9871) in the second scenario (Labyrinth weir with a cycle wall angle of 12 degrees) it was equal to (R2=0.9770), (RMSE=0.0193), (RMSE=0.9768), and (R2 = 0.9908), (RMSE = 0.0128), (DC = 0.9905), which compared to other combinations has led to the most optimal output that shows the very favorable accuracy of both algorithms in predicting the coefficient the Weir discharge is arched non-linear. The results of the sensitivity analysis indicated that the effective parameter in determining the discharge coefficient of the arched non-linear Weir in GEP and in SVM is the total water load ratio parameter (HT/p). Comparing the results of this research with other researchers revealed that the evaluation indices for GEP and SVM algorithms of this research had better estimates than other researchers.</span></span></span></span></span></span></div> شبکه‌های عصبی, سرریز غیرخطی, ضریب دبی, ماشین بردار پشتیبان, برنامه‌ریزی بیان ژن Neural networks, Non-linear weirs, Discharge coefficient, Support vector machine, Genetic expression tool 179 199 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-3787-5&slc_lang=fa&sid=1 M. Majedi Asl مهدی ماجدی اصل mehdi.majedi@gmail.com Yes Maragheh university دانشگاه مراغه T. Omidpour Alavian توحید امیدپور علویان tohidomidpour1377@gmail.com No Maragheh university دانشگاه مراغه M. Kouhdaragh مهدی کوهدرق mehdi_k550@yahoo.com No Malehan Branch, Islamic Azad University دانشگاه آزاد اسلامی، واحد ملکان V. Shamsi وحید شمسی shamsiv99@gmail.com No Maragheh university دانشگاه مراغه