Nachricht

Jul 29, 2023

LXGB: ein maschineller Lernalgorithmus zur Schätzung des Pseudo-Abflusskoeffizienten

Scientific Reports Band 13, Artikelnummer: 12304 (2023) Diesen Artikel zitieren 1009 Zugriffe 1 Details zu Altmetric Metrics Eine der praktischen und finanziellen Lösungen zur Steigerung der Effizienz von Wehren

Scientific Reports Band 13, Artikelnummer: 12304 (2023) Diesen Artikel zitieren

1009 Zugriffe

1 Altmetrisch

Details zu den Metriken

Eine der praktischen und finanziellen Lösungen zur Steigerung der Effizienz von Wehren besteht darin, die Geometrie des Plans zu ändern und die Länge des Wehrs auf eine bestimmte Breite zu erhöhen. Dadurch erhöht sich der Abflusskoeffizient (Cd) des Wehrs. In dieser Studie wurde ein neues Wehr namens Pseudo-Cosine-Labyrinth-Wehr (PCLW) eingeführt. Zur Schätzung des Cd des PCLW wurde ein hybrider LXGB-Algorithmus für maschinelles Lernen eingeführt. Der LXGB ist eine Kombination aus dem Algorithmus „Linear Population Size Reduction History-based Adaptive Differential Evolution“ (LSHADE) und „Extreme Gradient Boosting“ (XGB). Zur Abschätzung des Abflusskoeffizienten des PCLW-Wehrs wurden sieben verschiedene Eingabeszenarien vorgestellt. Um die vorgeschlagene Methode zu trainieren und zu testen, wurden 132 Datenreihen, einschließlich geometrischer und hydraulischer Parameter aus PCLW1- und PCLW2-Modellen, verwendet. Zur Bewertung des vorgeschlagenen Ansatzes wurden der mittlere quadratische Fehler (RMSE), der relative quadratische mittlere Fehler (RRMSE) und der Effizienzkoeffizient des Nash-Sutcliffe-Modells (NSE) verwendet. Die Ergebnisse zeigten, dass die Eingabevariablen das Verhältnis des Radius zur Wehrhöhe (R/W), das Verhältnis der Länge des Wehrs zur Wehrhöhe (L/W) und das Verhältnis der hydraulischen Förderhöhe zur Wehrhöhe waren Wehrhöhe (H/W) mit den Durchschnittswerten RMSE = 0,009, RRMSE = 0,010 und NSE = 0,977 lieferte bessere Ergebnisse bei der Schätzung des Cd der PCLW1- und PCLW2-Modelle. Die Verbesserung im Vergleich zu SAELM, ANFIS-FFA, GEP und ANN in Bezug auf R2 beträgt 2,06 %, 3,09 %, 1,03 % und 5,15 %. Im Allgemeinen können intelligente Hybridansätze als die am besten geeignete Methode zur Schätzung des Cd von PCLW-Wehren eingeführt werden.

Eines der Hauptanliegen von Wasserbauingenieuren ist die optimale Bewirtschaftung der begrenzten Wasserressourcen im Iran. Das stetig steigende Wachstum der nationalen Investitionen in Wasserprojekte führt zur Optimierung von Wasserkontroll- und -managementprojekten, um nationales Kapital zu sparen1,2,3. In den letzten Jahren haben Wasserbauingenieure versucht, den Abfluss mit der richtigen Genauigkeit zu messen, indem sie Messstrukturen in den Kanälen gebaut und installiert haben. Eine der häufigsten Strukturen in vielen Dämmen und Wasserübertragungskanälen sind Labyrinthwehre, die zur Entwässerung, Messung und Steuerung des Wasserstands verwendet werden4, 5. Diese Arten von Wehren gehören zu den praktischsten Oberflächenstrukturen, die in letzter Zeit Aufmerksamkeit erregt haben verschiedener Forscher. Die Pseudokosinus-Labyrinthwehre (PCLW) mit langer Krone weisen im Vergleich zu anderen Wehren eine geeignete Leistung zur Regulierung des Wasserstands auf. Zahlreiche Parameter sind bei der Bestimmung des Cd in Labyrinthwehren mit unterschiedlichen Plänen wirksam. Diese Parameter hängen mit mehreren Faktoren zusammen, darunter der gesamten hydraulischen Höhe stromaufwärts (Hu), der hydraulischen Höhe stromabwärts (Hd), der Wehrhöhe (W), dem Radius (R), der Anzahl der Zyklen (N) und der Form der Wehrkrone (CR). ), Nackenkollision (Na), Anströmbedingungen (AF) usw.4. Heutzutage haben mehrere Probleme, darunter steigende Kosten, Zeitaufwand und das Auftreten menschlicher Fehler, zur Verwendung von 3D- und Computermodellen6, 7 geführt. Da manuelle Berechnungen menschliche Fehler beinhalten können, ist es notwendig, neuartige intelligente Berechnungen zu verwenden Methoden wie metaheuristische Algorithmen, künstliche neuronale Netze, Fuzzy-Logik usw. Mehrere Studien wurden von Forschern zur Untersuchung des Cd von Labyrinthwehren durchgeführt8,9,10,11,12,13,14,15. Unter Berücksichtigung einiger struktureller Einschränkungen (wie Strukturabmessungen und Wehrwinkel) und unter Verwendung klassischer Berechnungsmethoden wie linearer und nichtlinearer Regressionsmethoden haben die Forscher den Cd von Wehren ermittelt.

Azamathulla und Wu16 nutzten die Support Vector Machine (SVM), um die Längsausbreitungskoeffizienten in natürlichen Flüssen genau abzuschätzen. Bei einem Test mit realen Datensätzen hat sich gezeigt, dass der SVM-Algorithmus ermutigende Ergebnisse liefert. In einer anderen Arbeit schlugen Azamathulla et al.17 SVM zur Schätzung des Cd in Seitenwehren vor. Die experimentellen Ergebnisse bewiesen die Überlegenheit des SVM im Vergleich zu entsprechenden adaptiven Neuro-Fuzzy-Inferenzsystemen (ANFIS) und künstlichen neuronalen Netzen (ANNs). Bilhan et al.18 schätzen den Cd von Labyrinthwehren mithilfe der Support Vector Regression (SVR) und einer ausreißerrobusten extremen Lernmaschine. Die Ergebnisse zeigten, dass Methoden des maschinellen Lernens die Cd-Werte genauer schätzten. Safarrazavizadeh et al.19 führten eine Laboruntersuchung der Strömung an Labyrinthwehren mit halbkreisförmigem und sinusförmigem Grundriss durch. Beobachtungen zeigten, dass der Abflussbeiwert bei Labyrinthwehren mit halbkreisförmigem und sinusförmigem Grundriss im Gegensatz zu linearen Wehren bei geringer Wasserbelastung (HT/P < 0,35) einen steigenden Trend aufweist und nach Erreichen seines Maximalwerts abnimmt. Bonakdari et al.20 untersuchten die Wirksamkeit der Methode der Genexpressionsprogrammierung (GEP) zur Schätzung von Cd. Die Ergebnisse zeigen, dass die GEP-Methode bessere Ergebnisse bei der Vorhersage von Cd liefert. Shafiei et al.21 verwendeten die Methode des ANFIS-Firefly-Algorithmus (ANFIS-FFA), um den Cd von dreieckigen Labyrinthwehren abzuschätzen. Die Ergebnisse zeigten, dass das ANFIS-FFA-Modell bei der Vorhersage des Cd von dreieckigen Labyrinthwehren genauer ist. Emami et al.8 schätzten den Cd von W-Planform-Labyrinthwehren mithilfe des verbesserten selbstadaptiven Differential-Evolutionsalgorithmus und der Support-Vektor-Regression-Methode (ISaDE-SVR). ISaDE-SVR ist äußerst effektiv bei der Schätzung des Cd von Wehren mit W-Planform. Norouzi et al.22 simulierten Cd mithilfe eines selbstadaptiven robusten Lernmaschinenmodells (SAELM). Die Ergebnisse zeigten, dass das SAELM-Modell die Cd mit hoher Genauigkeit schätzte. Wang et al.23 untersuchten die Anwendung des genetischen Algorithmus (GA), der Partikelschwarmoptimierung (PSO) und des traditionellen neuronalen BP-Netzwerks bei der Vorhersage des Cd eines dreieckigen Labyrinthwehrs. Die Ergebnisse zeigten, dass die Methoden GA-BPNN und PSO-BPNN eine hohe Effizienz bei der Vorhersage von Cd aufweisen. Chen et al.24 verwendeten SVM, Random Forest (RF), lineare Regression, SVM, k-Nearest Neighbor (KNN) und Entscheidungsbaum (DT) zur Vorhersage des Cd von stromlinienförmigen Wehren. Ahmad et al.25 verwendeten das ANN-Modell, um den Cd eines bogenförmigen Labyrinth-Seitenwehrs vorherzusagen. Die Ergebnisse zeigten, dass der von ANN berechnete Cd genauer ist. Emami et al.26 verwendeten den Walnut-Algorithmus und die SVR-Methode, um den Cd von dreieckigen Labyrinthwehren vorherzusagen. Safari et al.27 bewerteten ANN-, GEP- und Regressionsmodelle, um den Cd des Wehrs mit breitem Kamm abzuschätzen. Die Ergebnisse zeigten, dass ANN den Cd besser schätzt als GEP-Modelle und Regressionsmodelle.

In früheren Studien wurde der Cd von PCLW den vielen geometrischen Modellen zufolge, die von verschiedenen Forschern untersucht wurden, nicht untersucht. Daher wurde in der vorliegenden Studie unter Verwendung des intelligenten Modells der Differentialentwicklung (LSHADE) und des Extreme Gradient Boosting (XGB)-Ansatzes der Cd des PCLW geschätzt. Der vorgeschlagene Ansatz wurde mit verschiedenen Merkmalskombinationen untersucht, um die leistungsstarke Merkmalskombination zu ermitteln.

Die Beiträge dieses Papiers sind wie folgt:

Wir stellen den LXGB-Algorithmus vor, der LSHADE mit XGB integriert, um die XGB-Parameter abzustimmen und seine Schätzleistung weiter zu verbessern.

Verwendung des LXGB-Algorithmus zur Schätzung des Cd von PCLW. Der vorgeschlagene Algorithmus modelliert die

Bewertung des vorgeschlagenen Modells mit einem realen Datensatz und Vergleich mit modernsten Algorithmen. Die experimentellen Ergebnisse zeigen die Überlegenheit der vorgeschlagenen Methode im Vergleich zu Gegenstücken hinsichtlich der Leistungsmessungen.

Die übrigen Abschnitte dieser Studie sind wie folgt gegliedert. Der Abschnitt „Material und Methoden“ veranschaulicht die experimentellen Materialien und den vorgestellten Hybridansatz. Im Abschnitt „Ergebnisse und Diskussion“ werden die Ergebnisse und Diskussionen vorgestellt. Der Abschnitt „Fazit“ fasst den Beitrag zusammen und gibt Empfehlungen für kommende Arbeiten.

Die eindimensionale Gleichung der Strömung auf dem PCLW lautet wie folgt28:

Dabei ist Q der Abfluss, g die Erdbeschleunigung, L die Länge des Wehrs und HT die hydraulische Höhe (h + V2/2 g). Der Cd von Labyrinthwehren bei freier Strömung hängt wie folgt von geometrischen und hydraulischen Parametern ab:

Dabei ist B die Kanalbreite, Hd die hydraulische Gesamthöhe (stromabwärts des Wehrs), V die Strömungsgeschwindigkeit, W die Höhe des Wehrs, R der Krümmungsradius des Wehrs und S die Länge des geraden Teils zwischen den Kurven des Wehrs, t ist die Dicke des Wehrs, α stellt den Winkel des geraden Abschnitts zwischen den Wehrkurven mit der Richtung des Kanals dar, N gibt die Anzahl der Zyklen an, ρ gibt die Flüssigkeitsdichte an, μ die Dynamik Viskosität, σ zeigt die Oberflächenspannung, CS bedeutet die Form der Wehrkrone, JS bezeichnet die Form der fließenden Schaufel und SW repräsentiert die ankommende Strömung und den Seitenwandeffekt.

Gleichung (2) kann wie folgt geschrieben werden:

Dabei ist Re die Reynolds-Zahl, wir meinen die Weber-Zahl und Fr die Froude-Zahl. Henderson29 kam zu dem Schluss, dass bei Re < 2000 der Einfluss der Viskosität vernachlässigt werden kann. Novak et al.30 kamen zu dem Schluss, dass der Effekt der Oberflächenspannung ignoriert wird, wenn die Wasserhöhe am Wehr mehr als 3 bis 4 cm beträgt. Aufgrund der turbulenten Strömung und einer Mindestwasserhöhe von 5 cm am Wehr wurden die Auswirkungen der Re- und We-Zahlen beseitigt. Die Form der Kante aller verwendeten Wehre wurde als scharfkantiger Verlauf gewählt und der Einfluss von CS wurde ignoriert. Aufgrund der Installation der Wehre senkrecht zur Hauptströmung und der fehlenden lokalen Kontraktion an ihrem Installationsort wurden die Bedingungen der herannahenden SW-Strömung für alle Experimente als gleich angesehen.

Gleichung (3). wird wie folgt vereinfacht:

Die Simulation der Umströmung des PCLW wurde in einem Kanal mit einer Breite, Länge und Höhe von 0,49 m bis 1,115 m, 3,2 m bzw. 0,5 m durchgeführt. In Abb. 1 sind die PCLW-Modelle und ihre geometrischen Merkmale dargestellt.

Ein großes Bild von PCLW1 und PLCW2.

Die geometrischen Merkmale und der Bereich der experimentellen Parameter des PLCW sind in Tabelle 1 dargestellt.

XGB31,32,33 ist eine robuste Lösung für überwachtes Lernen, um Regressions-, Klassifizierungs- und Rankingprobleme schnell und genau zu lösen. XGB ist eine allgemeinere Form von Entscheidungsbäumen zur Erhöhung des Gradienten. Es nutzt Parallelverarbeitung, löst fehlende Werte effizient auf, verhindert eine Überanpassung und bietet eine gute Leistung bei Datensätzen unterschiedlicher Größe.

Für einen gegebenen Datensatz mit n Beispielen und m Merkmalen \(D \, = \, \{ f(x_{i} , \, y_{i} )\} \, (\left| D \right| = \, n , \, x_{i} \in R^{m} , \, y_{i} \in R)\), XGB besteht aus einem Ensemble von K Klassifizierungs- und Regressionsbäumen (CARTs). Die endgültige Vorhersage lautet wie folgt31:

\(\hat{y}_{i}\) ist der endgültige Vorhersagewert, F ist die Liste der CARTs und \(f_{k} (x_{i} )\) ist die Funktion der Eingabe im k- Entscheidungsbaum. Im XGB besteht die Zielfunktion aus zwei Komponenten: Regularisierung und Trainingsfehler, die wie folgt definiert sind31:

wobei \(\sum\limits_{i = 1}^{n} {l(y_{i} ,\hat{y}_{i} )}\) die Differenz zwischen dem vorhergesagten Wert und dem beobachteten Wert berechnet verlustfunktion. \(\sum\limits_{k = 1}^{K} {\Omega (f_{k} )}\) berechnet die Regularisierungskomponente, die ist:

Dabei ist \(\gamma\) der Blattstrafkoeffizient, T die Gesamtzahl eines Blattknotens, \(\lambda\) garantiert, dass die Punktzahlen eines Blattknotens nicht zu groß sind, und w ist die Punktzahl eines Blattes Knoten. XGB verwendet die Gradient-Boosting-Strategie, hängt bei jeder Iteration einen neuen Baum an und modifiziert die vorherigen Testergebnisse, indem es die Residuen der vorherigen Vorhersage anpasst:

Integrieren von Gl. (1) und (2) kann die Zielfunktion für den t-ten Baum als31 geschrieben werden:

Nimmt man die Taylor-Entwicklung der Verlustfunktion bis zur zweiten Ordnung, so ergibt sich Gl. (9) kann wie folgt angenähert werden:

wobei \(g_{i} = \partial \hat{y}^{K - 1} l(y_{i} ,\hat{y}^{K - 1} )\) und \(h_{i} = \partial^{2} \hat{y}^{K - 1} l(y_{i} ,\hat{y}^{K - 1} )\) sind die Gradientenstatistiken erster und zweiter Ordnung des Verlusts Funktion.

Das optimale Gewicht \(w_{j}\) von Blatt j und die Zielfunktion eines Baums können wie folgt geschrieben werden:

wobei \(G_{i} = \sum\nolimits_{{i \in I_{j} }} {g_{i} }\) und \(H_{i} = \sum\nolimits_{{i \in I_{ j} }} {h_{i} } + \lambda\).

Das schwach passende Modell wird wie folgt intensiviert:

wobei \(\eta\) die Lernrate ist. XGB fügt bei jeder Iteration neue Bäume hinzu, indem es Features kontinuierlich teilt. Das Anhängen eines neuen Baums an das Modell bedeutet, eine neue Funktion \(f_{k} (X,\theta_{k})\) zu lernen, um das Residuum der vorherigen Vorhersage anzupassen. Sobald K Bäume gelernt sind, wird das stark passende Modell \(F(x_{i} )\) verwendet, um Folgendes vorherzusagen:

wobei F(xi) das stark passende Modell ist.

Abbildung 2 zeigt das Funktionsprinzip von XGB.

Ein Gesamtbild der XGB-Methode.

Da die Hyperparameter von XGB häufig empirisch festgelegt werden, ist eine optimale Abstimmung der Parameter für den Entwurf robuster XGB von entscheidender Bedeutung. In diesem Artikel haben wir den LSHADE-Algorithmus verwendet, um die XGB-Parameter zu optimieren, einschließlich der Anzahl der Entscheidungsbäume (K), der Lernrate (\(\eta\)), der maximalen Tiefe (md), des minimalen Kindergewichts (mcw) und des Gammawerts (\(\gamma\)), Teilstichprobe (ss). Tabelle 2 listet die XGB-Parameter und ihren Bereich auf, die in der Implementierung verwendet werden.

Die auf Erfolgsgeschichte basierende Parameteranpassung für die differenzielle Evolution (SHADE)34 ist eine adaptive evolutionäre Optimierungsstrategie. LSHADE35 erweitert SHADE um eine Technik zur linearen Reduzierung der Populationsgröße, die die Größe der Population mithilfe einer linearen Funktion schrittweise reduziert. LSHADE beginnt seinen Optimierungsprozess mit einer zufällig generierten Population realer Parametervektoren. Der Algorithmus wiederholt einen Prozess der Generierung und Auswahl von Trail-Vektoren, bis einige Beendigungsbedingungen erfüllt sind.

Der Anreizmechanismus von LXGB besteht darin, die Klassifizierungsleistung von XGB durch die Integration des LSHADE-Optimierungsalgorithmus in XGB zu verbessern. Abbildung 3 zeigt das Funktionsprinzip des LXGB-Algorithmus.

Prinzip des LXGB-Algorithmus.

RMSE-, RRMSE- und NSE-Metriken wurden verwendet, um die Leistung des LXGB-Ansatzes zu bewerten (Gleichungen 16–18).

RMSE: Mittlerer quadratischer Fehler; NSE: Effizienzkoeffizient des Nash-Sutcliffe-Modells; RRMSE: Relativer quadratischer Mittelfehler.

Dabei sind Xi die vorhergesagten Werte, Yi die beobachteten Werte und \(\overline{X}\) der Durchschnitt von X.

Der Cd der Wehre PCLW1 und PCLW2 wurde mithilfe des hybriden LXGB-Ansatzes geschätzt. Zunächst wurden alle verfügbaren Daten normalisiert, um Ausreißer zu entfernen oder zu korrigieren36.

Dabei sind Xmin die minimalen Daten, X die Rohdaten, Xmax die maximalen Daten und Xn die normalisierten Daten.

Das Verhältnis der Wehrlänge zur Wehrhöhe (L/W), das Verhältnis der Kanalbreite zur Wehrhöhe (B/W), das Verhältnis der Wehrdicke zur Wehrhöhe (t/W), die Anzahl der Zyklen (N), der Radius zur Wehrhöhe (R/W), das Verhältnis der Länge des geraden Abschnitts zwischen den Wehrkurven zur Wehrhöhe (S/W), das Verhältnis der, das Verhältnis der hydraulischen Förderhöhe zu Die Wehrhöhe (H/B) wurde als Eingabeparameter des LXGB-Ansatzes berücksichtigt. 132 Datensätze, einschließlich geometrischer und hydraulischer Parameter, wurden ausgewählt. Die Daten wurden zufällig in zwei Teile aufgeteilt: 80 % (106 Daten) zum Trainieren des Modells und 20 % (26 Daten) zum Testen des Modells.

Sieben Modelle mit unterschiedlichen Variablen wurden untersucht, um die einflussreichsten Eingabeparameter bei der Schätzung des Cd der Wehre PCLW1 und PCLW2 einzuführen. Tabellen 3 und 4 und Abb. In den Abbildungen 4 und 5 sind verschiedene Eingangsgrößen dargestellt.

Kombination von Eingabevariablen (PCLW1-Modell).

Kombination von Eingabevariablen (PCLW2-Modell).

In den Tabellen 5 und 6 werden die Bewertungskriterien für verschiedene Eingabevariablen zur Schätzung des Cd dargestellt. Ein Teil des Modellierungsprozesses durch den LXGB-Ansatz ist in Abb. 6 dargestellt.

Struktur des vom LXGB-Algorithmus generierten Baums.

Die Ergebnisse zeigen die Genauigkeit des vorgestellten LXGB-Ansatzes bei der Schätzung des Cd der PCLW1- und PCLW2-Modelle von PCLW. Mahmoud et al.37 kamen zu dem Schluss, dass die Methoden ANFIS-PSO und MLP-FA (Multi-Layer-Perceptron- und Firefly-Optimierungsalgorithmus) jeweils am genauesten bei der Schätzung des Cd von dreieckigen Labyrinthwehren sind. In einer ähnlichen Studie kamen Majediasl und Fuladipanah38 zu dem Schluss, dass das SVM-Modell die genauesten Ergebnisse bei der Vorhersage des Cd von Labyrinthwehren mit RMSE = 0,0118 liefert. Shafiei et al.21 berichteten, dass das ANFIS-FFA-Modell bei der Schätzung des Cd des Labyrinthwehrs ziemlich genau ist. Karami et al.10 zeigten, dass die ELM-Methode mit RMSE = 0,006 eine akzeptable Effizienz bei der Schätzung des Cd des Labyrinthwehrs aufweist. In einer ähnlichen Studie wurde die Wirksamkeit des LSSVM-BA-Verfahrens (Least-Squares Support Vector Machine-Bat Algorithm) zur Untersuchung des Abflusses eines gekrümmten Labyrinthwehrs39 verwendet. Die Ergebnisse der Studien zeigten, dass das SVM-basierte Modell genaue Ergebnisse bei der Schätzung des Cd des gewölbten Labyrinthwehrs mit Werten von RMSE = 0,013 und R2 = 0,97040 lieferte. Dem Multi-Layer Perceptron Neural Network (MLPNN) gelang es, den Abfluss über die dreieckigen Bogenlabyrinthwehre auf RMSE = 0,00385 und R2 = 0,99941 zu schätzen.

Die Ergebnisse der geschätzten und beobachteten Cd der PCLW1- und PCLW2-Modelle von Pseudokosinus-Labyrinthwehren wurden in den Abbildungen verglichen. 7 und 8. Den Ergebnissen zufolge wies das K6-Modell mit den Eingabevariablen (R/W), (L/W) und (H/W) die optimalen Werte statistischer Indikatoren auf. Der Cd der Wehre PCLW1 und PCLW2 nimmt mit zunehmender Wehrhöhe zu. In einer ähnlichen Studie wurde der Schluss gezogen, dass mit zunehmender Wehrhöhe der Cd des dreieckigen Entenschnabellabyrinthwehrs zunimmt, was mit den Ergebnissen der vorliegenden Studie übereinstimmt7. Die Vergrößerung der effektiven Länge der Labyrinthe bei einer bestimmten Breite aufgrund der Radiusvergrößerungen der Wehre PCLW1 und PCLW2 führt zu einer Erhöhung des Cd. Die Studien zeigten, dass eine Vergrößerung des Radius zu einer Verringerung der Wirbelströme, Turbulenzen und einem plötzlichen Anstieg der Wasserhöhe während des Wehrs führt39, 40, 42. Die Ergebnisse der Untersuchungen zeigten, dass mit zunehmendem R/W der Cd zunimmt das gewölbte Labyrinthwehr, was mit den Ergebnissen der vorliegenden Studie übereinstimmt41. Außerdem liegt das K2-Modell (H/W, L/W, R/W, N) im zweiten Rang, was zeigt, dass Länge, Wehrhöhe, Radius und die Anzahl der Zyklen einen größeren Einfluss auf den Cd von PCLW1 haben und PCLW2-Wehre. Durch die Erhöhung der Anzahl der Labyrinth-Wehrzyklen erhöhen sich Abfluss und Cd, was mit den Ergebnissen der vorliegenden Studie40, 43 übereinstimmt. Abbildung 9 zeigt die Bedeutung der einflussreichen Eingabeparameter bei der Schätzung des Cd von PCLW.

CD-Änderungen des PCLW1 (a) Trainingsphase, (b) Testphase (Modell K6).

CD-Änderungen des PCLW2 (a) Trainingsphase, (b) Testphase (Modell K6).

Bedeutung der Merkmale für die C-Schätzung im Plan (a) PCLW1 und (b) PCLW2; f0: H/W, f1: R/W, f2: L/W, f3: N.

Emami et al.44 sagten den Cd eines Labyrinthwehrs mit gekrümmtem Grundriss mithilfe der WOA-ANFIS-Methode voraus, und die Eingabeparameter H/W und θ (Wehrbogenwinkel) wurden als effektivste Parameter bei der Schätzung des Cd eingeführt. Majediasal und Fuladipanah38 untersuchten die Support Vector Machine (SVM)-Methode für Cd von scharfkantigen dreieckigen Labyrinthwehren und kamen zu dem Schluss, dass die Eingabekombination, einschließlich geometrischer Parameter (θ, h/w, L/B), die besten Ergebnisse liefert. Mohammadi et al.45 berichteten, dass die Parameter Ht/P, W/P (das Verhältnis der Wehrbreite zur Höhe), R/W, W/LC (das Verhältnis der Wehrbreite zur effektiven Länge) als Eingabevariablen dienten verfügen über die größte Genauigkeit und Effizienz bei der Schätzung des Cd von U-förmigen Labyrinthwehren. Haghiabi et al.46 gaben den Cd von dreieckigen Labyrinthwehren mithilfe des ANFIS-Systems an und kamen zu dem Schluss, dass ANFIS eine ordnungsgemäße Implementierung bei der Cd-Schätzung aufweist. Studien haben gezeigt, dass der H/W-Parameter der einflussreichste Parameter auf den Cd eines Labyrinths und bogenförmiger Labyrinthwehre ist47.

Tabelle 7 vergleicht die Leistungen von XGB und LXGB im Testdatensatz. Die Ergebnisse zeigen die Überlegenheit des LXGB im Vergleich zum XGB-Algorithmus hinsichtlich der Leistungsmessungen. Dieses Problem beweist, dass die Kombination von LSHADE mit XGB die Schätzleistung verbessert.

In Tabelle 8 wurden die Werte der Bewertungskriterien zur Abschätzung des Cd von Labyrinthwehren mit unterschiedlichen Plänen mit den Ergebnissen anderer Studien verglichen. Die Ergebnisse für LXGB werden mit dem PCLW1-Plan generiert. Die Vergleiche zeigen die angemessene Genauigkeit des LXGB-Ansatzes bei der Schätzung des Cd von Labyrinthwehren mit R2 = 0,97 und RMSE = 0,014.

In dieser Studie wird ein neuartiges Design für Labyrinthwehre vorgestellt, das als Pseudokosinus-Labyrinthwehre (PCLW) bezeichnet wird. Der LXGB wurde zur Schätzung des Cd des PCLW-Wehrs verwendet. Es wurden sieben Modelle mit unterschiedlichen Kombinationen geeigneter Eingabeparameter eingeführt. Durch Analyse der Schätzergebnisse wurde ein geeignetes Modell definiert. Das übergeordnete Modell schätzt Cd unter Berücksichtigung der Eingabeparameter H/W, R/W und L/W. LXGB wurde bei der Schätzung des Cd von PCLW-Überläufen erreicht, indem Werte von R2 = 0,971, RMSE = 0,014 und NSE = 0,97 ermittelt wurden. Die Ergebnisse zeigten, dass der vorgeschlagene LXGB-Algorithmus bei der Schätzung des Cd von Labyrinthwehren aussagekräftigere Ergebnisse lieferte als frühere Studien. Ein solches kostengünstiges Vorhersagemodell kann erhebliche praktische Anwendung finden, da es eine wirtschaftliche Alternative zur teuren Laborlösung sein kann, die kostspielig und zeitaufwändig ist. Das vorgeschlagene Modell ist nützlich, um das Design von Wassertransfersystemen zu korrigieren.

Die im Rahmen der aktuellen Studie generierten und/oder analysierten Datensätze sind nicht öffentlich verfügbar, können aber auf begründete Anfrage beim entsprechenden Autor angefordert werden.

El Bedawy, R. Wasserressourcenmanagement: Alarmierende Krise für Ägypten. J. Mgmt. Aufrechterhalten. 4, 108 (2014).

Artikel Google Scholar

Zomorodian, M. et al. Die hochmoderne Systemdynamikanwendung in der integrierten Modellierung von Wasserressourcen. J. Umgebung. Verwalten. 227, 294–304 (2018).

Artikel PubMed Google Scholar

Verma, S., Verma, MK, Prasad, AD, Mehta, DJ und Islam, MN Modellierung der Unsicherheit bei der Schätzung von Ganglinienkomponenten in Verbindung mit dem SUFI-2-Optimierungsalgorithmus unter Verwendung mehrerer Zielfunktionen. Modell. Erdsystem. Umgebung. 1–19 (2023).

Singh, D. & Kumar, M. Hydraulischer Entwurf und Analyse von Klaviertastenwehren: Ein Überblick. Araber. J. Sci. Eng.. 1–15 (2021).

Achour, B., Amara, L. & Mehta, D. Neue theoretische Überlegungen zur allmählich variierenden Strömung in einem dreieckigen Kanal. LARHYSS J. 50, 7–29 (2022).

Google Scholar

Miller, DS (Hrsg.) Abflusseigenschaften: IAHR-Konstruktionshandbücher für Wasserbauwerke, 8. Aufl. (Routledge, 2017).

Google Scholar

Emami, S., Arvanaghi, H. & Parsa, J. Numerische Untersuchung der Auswirkung geometrischer Parameter des Labyrinthwehrs auf den Abflusskoeffizienten. J. Rehabil. Bauingenieur. 6(1), 1–9 (2018).

Google Scholar

Emami, S., Parsa, J., Emami, H. & Abbaspour, A. Ein ISaDE-Algorithmus kombiniert mit Support-Vektor-Regression zur Schätzung des Abflusskoeffizienten von Wehren mit W-Planform. Wasserversorgung. 21(7), 3459–3476 (2021).

Artikel Google Scholar

Roushangar, K., Alami, MT, Majedi Asl, M. & Shiri, J. Modellierung des Abflusskoeffizienten von Labyrinthwehren mit normaler und umgekehrter Ausrichtung mithilfe von Techniken des maschinellen Lernens. ISH J. Hydraul. Ing. 23(3), 331–340 (2017).

Artikel Google Scholar

Karami, H., Karimi, S., Bonakdari, H. & Shamshirband, S. Vorhersage des Abflusskoeffizienten eines dreieckigen Labyrinthwehrs mithilfe einer extrem lernenden Maschine, eines künstlichen neuronalen Netzwerks und genetischer Programmierung. Neuronale Berechnung. Appl. 29, 983–989 (2018).

Artikel Google Scholar

Bilhan, O., Emiroglu, ME & Kisi, O. Verwendung künstlicher neuronaler Netze zur Vorhersage des Abflusskoeffizienten von dreieckigen Labyrinth-Seitenwehren in gekrümmten Kanälen. Adv. Ing. Softw. 42(4), 208–214 (2011).

Artikel MATH Google Scholar

Parsaie, A. & Haghiabi, AH Vorhersage des Seitenwehr-Abflusskoeffizienten durch genetische Programmiertechnik. Jordan J. Civil Eng. 11(1), (2017).

Emiroglu, ME, Bilhan, O. & Kisi, O. Neuronale Netze zur Abschätzung der Abflusskapazität eines dreieckigen Labyrinth-Seitenwehrs, das sich auf einem geraden Kanal befindet. Expertensystem. Appl. 38(1), 867–874 (2011).

Artikel MATH Google Scholar

Honar, T., Tarazkar, MH & Tarazkar, MR Schätzung des Abflusskoeffizienten des Seitenwehrs mithilfe von Neuro-Fuzzy (ANFIS). J. Wasserbodenschutz. 17(2), 169–176 (2011).

Google Scholar

Aghdarimoghaddam, A. & Nodoshan, J. Geometrieoptimierung des Dreieckslabyrinth-Überlaufkanals mithilfe von Anfis-Modellen und genetischen Algorithmen. J. Modell. Ing. 5(19), 57–68 (2009).

Google Scholar

Azamathulla, HMD & Wu, F. Support-Vector-Machine-Ansatz für Längsdispersionskoeffizienten in natürlichen Bächen. Appl. Soft Comput. 11(2), 2902–2905 (2011).

Artikel Google Scholar

Azamathulla, HM, Haghiabi, AH & Parsaie, A. Vorhersage des Abflusskoeffizienten des Seitenwehrs durch Support-Vektor-Maschinentechnik. Wasserwissenschaft. Technol. Wasserversorgung. 16(4), 1002–1016 (2016).

Artikel Google Scholar

Bilhan, O., Aydin, MC, Emiroglu, ME & Miller, CJ Experimentelle und CFD-Analyse kreisförmiger Labyrinthwehre. J. Irrig. Abfluss. Ing. 144(6), 04018007 (2018).

Artikel Google Scholar

Safarrazavizadeh, M., Esmaeilivaraki, M. & Biabani, R. Experimentelle Studie zur Strömung über sinusförmige und halbkreisförmige Labyrinthwehre. ISH J. Hydraul. Ing. 27(1), 304–313 (2021).

Artikel Google Scholar

Bonakdari, H., Ebtehaj, I., Gharabaghi, B., Sharifi, A. & Mosavi, A. Vorhersage der Abflusskapazität von Labyrinthwehren mit Genexpressionsprogrammierung. In Intelligent Systems and Applications: Tagungsband der Intelligent Systems Conference 2020 (IntelliSys). 1, 202–217 (2021).

Shafiei, S., Najarchi, M. & Shabanlou, S. Ein neuartiger Ansatz unter Verwendung von CFD und Neuro-Fuzzy-Firefly-Algorithmus zur Vorhersage des Abflusskoeffizienten von Labyrinthwehren. J. Braz. Soc. Mech. Wissenschaft. Ing. 42, 1–19 (2020).

Artikel Google Scholar

Norouzi, P., Rajabi, A. & Shabanlou, S. Schätzung des Abflusskoeffizienten des Labyrinthwehrs unter Verwendung einer selbstadaptiven, extrem lernenden Maschine. J. Wasser-Boden-Sci. 32(1), 39–52 (2022).

Google Scholar

Wang, F., Zheng, S., Ren, Y., Liu, W. & Wu, C. Anwendung eines hybriden neuronalen Netzwerks bei der Vorhersage des Abflusskoeffizienten eines dreieckigen Labyrinthwehrs. Durchflussmessung Instrument. 83, 102108 (2022).

Artikel Google Scholar

Chen, W. et al. Genaue Vorhersage des Abflusskoeffizienten stromlinienförmiger Wehre durch Kopplung linearer Regression und tiefer Faltungs-Gate-Recurrent-Einheit. Ing. Appl. Berechnen. Fluid-Mech. 16(1), 965–976 (2022).

Google Scholar

Ahmad, F., Hussain, A. & Ansari, MA Entwicklung eines ANN-Modells zur Vorhersage des Abflusskoeffizienten eines bogenförmigen Labyrinth-Seitenwehrs. Modell. Erdsystem. Umgebung. 9, 1–8 (2022).

Google Scholar

Emami, H., Emami, S. & Parsa, J. Ein Walnuss-Optimierungsalgorithmus zur Vorhersage des Abflusskoeffizienten an Labyrinthwehren. Weich. Berechnen. 26(22), 12197–12215 (2022).

Artikel Google Scholar

Safari, S. et al. Auswertung von ANN-, GEP- und Regressionsmodellen zur Schätzung des Abflusskoeffizienten für das rechteckige Wehr mit breiter Krone. Polnisch J. Environ. Zucht. 31(5), 4817 (2022).

Artikel Google Scholar

Mohammadi, M. & Yasi, M. Untersuchung eines Labyrinthwehrs mit Bogenplan. J. Agrar. Wissenschaft. Technol. 11(41), 1–12 (2007).

Google Scholar

Henderson, FM Open Channel Flow (Macmillan Publishing, 1996).

Google Scholar

Novak, P., Guinot, V., Jeffrey, A. & Reeve, DE Hydraulische Modellierung – eine Einführung. Spon Press, ein Abdruck von Taylor & Francis, London und New York. 599 (2010).

Guo, R. et al. Erkennung des Verschlechterungszustands einer Kolbenpumpe basierend auf ICEEMDAN und XGBoost. Appl. Wissenschaft. 10(18), 6593 (2020).

Artikel CAS Google Scholar

Thongsuwan, S., Jaiyen, S., Padcharoen, A. & Agarwal, P. ConvXGB: Ein neues Deep-Learning-Modell für Klassifizierungsprobleme basierend auf CNN und XGBoost. Nukl. Ing. Technol. 53(2), 522–531 (2021).

Artikel CAS Google Scholar

Gu, Y., Zhang, D. & Bao, Z. Ein neuer datengesteuerter Prädiktor, PSO-XGBoost, der für die Durchlässigkeit dichter Sandsteinlagerstätten verwendet wird: Eine Fallstudie eines Mitglieds von Chang 4+ 5, westliches Jiyuan-Ölfeld, Ordos-Becken . J. Benzin. Wissenschaft. Ing. 199, 108350 (2021).

Artikel CAS Google Scholar

Tanabe, R. & Fukunaga, A. Erfolgshistorische Parameteranpassung für die differenzielle Evolution. IEEE-Kongress zum Thema Evolutionsberechnung. 71–78 (2013).

Tanabe, R. & Fukunaga, AS Verbesserung der Suchleistung von SHADE durch lineare Reduzierung der Populationsgröße. IEEE-Kongress zum Thema Evolutionsberechnung (CEC). 1658–1665 2014.

Larose, DT & Larose, CD Wissen in Daten entdecken: eine Einführung in Data Mining (Wiley, 2014).

MATH Google Scholar

Mahmoud, A., Yuan, X., Kheimi, M. & Yuan, Y. Interpolationsgenauigkeit hybrider Soft-Computing-Techniken bei der Schätzung der Abflusskapazität von dreieckigen Labyrinthwehren. IEEE Access 9, 6769–6785 (2021).

Artikel Google Scholar

Majediasl, M. & Fuladipanah, M. Anwendung der Evolutionsmethoden zur Bestimmung des Abflusskoeffizienten dreieckiger Labyrinthwehre. JWSS-Isfahan Univ. Technol. 22(4), 279–290 (2019).

Google Scholar

Hu, Z. et al. Verwendung von Soft-Computing- und maschinellen Lernalgorithmen zur Vorhersage des Abflusskoeffizienten von gekrümmten Labyrinthüberläufen. Ing. Appl. Berechnen. Fluid-Mech. 15(1), 1002–1015 (2021).

Google Scholar

Roushangar, K., Alami, MT, Shiri, J. & Asl, MM Bestimmung des Abflusskoeffizienten von Labyrinth- und Bogenlabyrinthwehren mithilfe einer Support-Vektor-Maschine. Hydrol. Res. 49(3), 924–938 (2018).

Artikel Google Scholar

Zounemat-Kermani, M., Kermani, SG, Kiyaninejad, M. & Kisi, O. Bewertung der Anwendung datengesteuerter intelligenter Methoden zur Schätzung des Abflusses über dreieckige Bogenlabyrinthwehren. Durchflussmessung Instrument. 68, 101573 (2019).

Artikel Google Scholar

Achour, B., Amara, L. & Mehta, D. Kontrolle des hydraulischen Sprungs durch eine Schwelle mit dünnen Spitzen in einem rechteckigen Kanal, neue experimentelle Überlegungen. LARHYSS J. 50, 31–48 (2022).

Google Scholar

Zadghorban, M., Masoudian, M., Esmaeilivaraki, M. & Gharagezlou, M. Untersuchung der zylindrischen Wehrrauheit auf hydraulische Eigenschaften. Iran. J. Watershed Manager Wissenschaft. Ing. 12(40), 69–80 (2018).

Google Scholar

Emami, S., Parsa, J. & Emami, H. Schätzung des Abflusskoeffizienten von Labyrinthwehren mit gekrümmter Grundrissform unter Verwendung einer Hybrid-WOA-ANFIS-Methode. Iran. J. Bewässerung. Entwässerung 14(5), 1664–1676 (2020).

Google Scholar

Mohammadi, F., Hassanzadeh, Y. & Roushangar, K. Bestimmung des Abflusskoeffizienten von einzyklischen U-förmigen Wehren mit scharfen Spitzen unter Verwendung eines kernbasierten SVM-Ansatzes. Iran. J. Bewässerung. Entwässerung 14(5), 1722–1736 (2020).

Google Scholar

Haghiabi, AH, Parsaie, A. & Ememgholizadeh, S. Vorhersage des Abflusskoeffizienten dreieckiger Labyrinthwehre mithilfe eines adaptiven Neuro-Fuzzy-Inferenzsystems. Alex. Ing. J. 57(3), 1773–1782 (2018).

Artikel Google Scholar

Heydari, M., Dosti, M. & Safari, H. Optimierung des Strömungskoeffizienten trapezförmiger Zickzack-Überläufe mithilfe des intelligenten Algorithmus der allmählichen Kühlung. 10. Internationales Seminar über Flussbau, Shahid Chamran University, Ahvaz, Iran (2014).

Referenzen herunterladen

Abteilung für Wassertechnik, Universität Tabriz, Tabriz, 5971982284, Iran

Somayeh Emami

Fakultät für Computertechnik, Universität Bonab, Bonab, Iran

Hojjat Emami

Abteilung für Wassertechnik, Universität Tabriz, Tabriz, Iran

Javad Parsa

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

SE, HE und JP haben die Studie entworfen, die Daten und Ergebnisse analysiert und diskutiert. SE und HE führten die Experimente und Simulationen durch. SE und HE haben das vorgeschlagene Hybridmodell/Materialien/Ausrüstung/Bewässerungssystem vorbereitet. Alle Autoren haben das Manuskript überprüft.

Korrespondenz mit Somayeh Emami.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Emami, S., Emami, H. & Parsa, J. LXGB: ein maschineller Lernalgorithmus zur Schätzung des Abflusskoeffizienten von Pseudokosinus-Labyrinthwehren. Sci Rep 13, 12304 (2023). https://doi.org/10.1038/s41598-023-39272-6

Zitat herunterladen

Eingegangen: 16. Mai 2023

Angenommen: 22. Juli 2023

Veröffentlicht: 29. Juli 2023

DOI: https://doi.org/10.1038/s41598-023-39272-6

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.