فهرست نشریات علمی دسترسی آزاد ایران

در این مطالعه، برای اولین بار، ضریب دبی روزنه­های جانبی مثلثی توسط یک روش نوین تکاملی تحت عنوان ساختار تعمیم­یافته روش گروه دسته­بندی داده­ها (GSGMDH) شبیه­سازی شد. در ابتدا، پارامترهای موثر بر روی ضریب دبی روزنه­های جانبی مثلثی شناسایی شدند و شش مدل GSGMDH مختلف تعریف شد. سپس داده­های آزمایشگاهی به دو دسته آموزش و آزمون تقسیم­بندی شدند. در این مقاله، 70% داده­ها برای آموزش مدل­های هوش مصنوعی و 30% باقیمانده برای آزمون این مدل­ها بکار گرفته شدند. با تجزیه و تحلیل نتایج کلیه مدل­های GSGMDH، مدل برتر معرفی شد. این مدل مقادیر ضریب دبی را با دقت بالایی تخمین زد، به­عنوان مثال، ضریب همبستگی  (R)، شاخص پراکندگی (SI) و ضریب نش  (NSC) برای وضعیت آزمون مدل برتر به­ترتیب مساوی با 999/0، 0008/0 و 999/0 محاسبه شدند. همچنین، تحلیل حساسیت پارامترهای ورودی نشان داد که عدد فرود (Fr) و نسبت عرض کانال اصلی به طول روزنه جانبی (B/L) به­عنوان موثرترین پارامترهای ورودی شناسایی شدند. در ادامه، نتایج مدل برتر GSGMDH با مدل GMDH مقایسه شد که این مقایسه نشان دهنده عملکرد بهتر مدل GSGMDH بود.