فهرست نشریات علمی دسترسی آزاد ایران

با توسعه فناوری و پیشرفت تکنولوژی، روش‌های هوشمند بسیاری برای تخمین ضریب آبگذری سازه‌های هیدرولیکی مختلف پدید آمده است. یکی از سازه‌هایی که در نیروگاه‌های برقابی کاربرد دارد، سازه آبگیر کفی است. وظیفه این سازه، انتقال جریان به کانال جمع‌آوری است. از مزیت‌های این سازه می‌توان به پایداری آن‌ها در برابر بارهای دینامیکی و استاتیکی به دلیل قرارگیری این سازه‌ها در پایین‌ترین تراز اشاره کرد. در پژوهش حاضر، چهار الگوریتم هوشمند توانمند ماشین یادگیری مضاعف (ELM)، شبکه‌های عصبی رگرسیون عمومی (GRNN)، مدل رگرسیون خود تطبیق شونده (MARS) و مدل درخت M5 در مدل‌سازی ضریب آبگذری آبگیر کفی مورد ارزیابی قرار گرفته است. نتایج مدل‌سازی نشان داد که الگوریتم ELM در هر دو دوره آموزش (70 درصد داده‌ها) و آزمون (30 درصد داده‌ها) از دقت بیشتری نسبت به سایر الگوریتم‌های بررسی شده برخوردار است. به طوری که ضریب R2 برای الگوریتم مذکور تا 74/3 درصد بیشتر از دیگر الگوریتم‌های استفاده شده بود. همچنین معیار DDR و هیستوگرام خطای مدل‌سازی بیانگر برتری الگوریتم ELM  بود. در نهایت نیز سرعت محاسبه‌ الگوریتم‌های به کاربرده شده مورد مقایسه قرار گرفت که الگوریتم ELM تا 557/2 برابر سریع‌تر از سایر الگوریتم‌ها بود. بنابراین، الگوریتم ELM به دلیل دقت خوب و در عین حال سرعت زیاد، دارای پتانسیل بالا جهت مدل‌سازی ضریب آبگذری سرریز‌ها است.