فهرست نشریات علمی دسترسی آزاد ایران

در تحقیق حاضر عملکرد روش‌های مبتنی بر یادگیری ماشین به منظور پیش‌بینی حداکثر عمق آبشستگی اطراف آبشکن نوع باندال لایک مورد ارزیابی قرار گرفت. برای این منظور سه روش مدل جنگل‌های تصادفی (RF)، ماشین بردار پشتیبان (SVM) و روش برنامه‌ریزی بیان ژن (GEP) مورد استفاده قرار گرفت. به منظور آموزش و آزمایش مدل‌ها از 108 سری اطلاعات (87 سری برای آموزش و 21 سری برای تست) مستخرج از نتایج یک تحقیق آزمایشگاهی استفاده شد. مدل‌ها با ترکیب‌های متفاوتی (تک متغیره، دو متغیره، سه متغیره و چهار متغیره) از ورودی‌ها (Fr: عدد فرود جریان، S/L: نسبت فاصله به طول آبشکن،θ: زاویه نصب آبشکن نسبت به ساحل و α:  تخلخل قسمت نفوذپذیر سازه) مورد ارزیابی قرار گرفتند. نتایج حاصل نشان داد برای تمامی روش‌ها در حالت ورودی تک متغیره، بیشترین و کمترین تاثیر به ترتیب مربوط به پارامترهای α و S/L بودند. در مدل SVM با افزایش تعداد ورودی‌ها از تک متغیره به دومتغیره میانگین شاخص MAE تقریبا 2 برابر افزایش یافت. در مدل GEP نیز افزایش تعداد ورودی‌ها از سه متغیره به 4 متغیره میانگین شاخص MAE تقریبا 5/3 برابر افزایش یافت. ولی در روش RF افزایش تعداد ورودی‌ها منجر به افزایش دقت مدل شد و متوسط شاخص MAE در حالت 4 متغیره نسبت به سه متغیره 83 درصد کاهش یافت. در نهایت مشخص شد روش RF در برآورد عمق آبشستگی اطراف آبشکن نوع باندال لایک از عملکرد بسیار بهتری (006/0= RMSEو 009/0=MAE) نسبت به سایر روش‌ها برخوردار بوده و این مدل با ورودی‌های یکسان از پراکنش خطای کمتری برخوردار بود.