پیش‌بینی عدد فرود جریان سه فازی در سیستم‌های فاضلاب‏رو با استفاده از ماشین آموزش نیرومند

نوع مقاله: یاداشت‌ فنی

نویسندگان

1 استادیار، گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران

2 دانشیار، گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران

چکیده

به‌طور کلی کانال‌های دایروی در سیستم‌های جمع‌آوری فاضلاب‌های شهری مورد استفاده قرار می‌گیرند. در مقابل جریان درون این مجاری یک جریان سه فازی شامل آب، هوا و رسوبات است. مطالعات فراوانی در ارتباط با جریان درون کانال‌های فاضلاب توسط پژوهشگران مختلف انجام شده است. در پژوهش حاضر با استفاده از مدل ماشین آموزش نیرومند، عدد فرود جریان سه فازی درون کانال‌های دایروی فاضلاب‌رو تخمین زده ‌شد. سپس با استفاده از پارامترهای مؤثر بر روی عدد فرود، 127 مدل ماشین آموزش نیرومند مختلف تولید و مدل برتر معرفی شد. برای مدل برتر که تابعی است از غلظت حجمی رسوبات، نسبت قطر متوسط ذرات رسوب به شعاع هیدرولیکی و ضریب مقاومت کلی بار رسوب، در شرایط 60 درصد آموزش و 40 درصد آزمون، مقادیر ضریب تبیین، درصد میانگین مطلق خطا و خطای جذر میانگین مربعات در حالت آزمون به‌ترتیب 856/0، 117/0 و 738/0 محاسبه شد. علاوه بر این، نتایج مدل برتر با مدل‌های شبکه عصبی مصنوعی و ماشین‌ بردار پشتیبان مقایسه شد. تجزیه و تحلیل نتایج مدل‌سازی نشان داد که ماشین آموزش نیرومند، مقادیر تابع هدف را با دقت بیشتری شبیه‌سازی می‌کند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Prediction of Froude Number of Three Phases Flow in Sewer Systems Using Extreme Learning Machines

نویسندگان [English]

  • Fariborz Yosefvand 1
  • Saeid Shabanlo 2
  • Mohammad Ali Izadbakhsh 1
1 Assist. Prof., Department of Water Engineering, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran
2 Assoc. Prof., Department of Water Engineering, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran
چکیده [English]

Generally, circular channels are used in urban sewage systems where the flow is a three phase flow including water, air, and sediments. Accordingly, there are many studies carried out by different researchers related to flow within sewage channels. In current study, the Froude number of three phase flow within sewer channels is predicted using Extreme Learning Machine (ELM). Using parameters affecting the Froude number, 127 various ELM models were defined. The superior model was then introduced. For instance, for the superior model as a function of volumetric sediment concentration, the ratio of the particle size to overall hydraulic radius and overall friction factor for sediment  load of 60% and 40% in train and test, respectively, the R2, MAPE and RMSE in testing mode were calculated as 0.856, 0.117, and 0.738, respectively. In addition, the results of superior model were compared with Artificial Neural Network (ANN) and support Vector Machine (SVM) models. Analyses of modeling results showed that extreme learning machine simulated the aim function with more accuracy.

کلیدواژه‌ها [English]

  • Sewer channel
  • Froud Number
  • Extreme learning machine
  • Artificial Neural Network
  • Support Vector Machine

Ab Ghani, A. 1993. Sediment transport in sewers. Ph.D. Thesis, University of Newcastle Upon Tyne, UK.

Ackers, J.C., Butler, D. & May, R.W.P. 1996. Design of sewers to control sediment problems. Construction Industry Research and Information Association, London.

Ebtehaj, I. & Bonakdari, H. 2013. Evaluation of sediment transport in sewer using artificial neural network. Engineering Applications of Computational Fluid Mechanics, 7(3), 382-392.

Ebtehaj, I., Bonakdari, H. & Zaji, A.H. 2016. A nonlinear simulation method based on a combination of multilayer perceptron and decision trees for predicting non-deposition sediment transport. Water Science and Technology: Water Supply, 16(5), 1198-1206.

Ebtehaj, I. & Bonakdari, H. 2014. Comparison of genetic algorithm and imperialist competitive algorithms in predicting bed load transport in clean pipe. Water Science and Technology, 70 (10), 1695-1701.

Huang, G-B., Zhu, Q-Y. & Siew, C-K. 2006. Extreme learning machine: Theory and applications. Neurocomputing, 70(1), 489-501.

Liang, N.Y., Huang, G.B., Rong, H.J., Saratchandran, P. & Sundararajan, N. 2006. A fast and accurate on-line sequential learning algorithm for feedforward networks. IEEE Trans Neural Netw, 17, 1411-1423.

Melessea, A.M., Ahmadb, S., McClaina, M.E., Wangc, X. & Limd, Y.H. 2011. Suspended sediment load prediction of river systems: An artificial neural network approach. Agricultural Water Management, 98,
855-866.

Ota, J.J. & Nalluri, C. 1999. Graded sediment transport at limit deposition in clean pipe channel. In 28th Congress of International Association Hydro-Environmental Engineering Research, Graz, Austria.

Vongvisessomjai, N., Tingsanchali, T. & Babel, M.S. 2010. Non-deposition design criteria for sewers with part-full flow. Journal of Urban Water, 7(1), 61-77.