LXGB: алгоритм машинного обучения для оценки коэффициента разряда псевдо

Научные отчеты, том 13, Номер статьи: 12304 (2023) Цитировать эту статью

1036 Доступов

1 Альтметрика

Подробности о метриках

Одним из практических и финансовых решений по повышению эффективности плотин является изменение геометрии плана и увеличение длины плотины до определенной ширины. Это увеличивает коэффициент расхода (Cd) плотины. В этом исследовании была представлена ​​новая плотина, называемая водосливом псевдокосинусного лабиринта (PCLW). Для оценки Cd PCLW был представлен алгоритм гибридного машинного обучения LXGB. LXGB представляет собой комбинацию адаптивной дифференциальной эволюции на основе истории линейного уменьшения размера популяции (LSHADE) и алгоритма повышения экстремального градиента (XGB). Для оценки коэффициента расхода плотины PCLW было представлено семь различных входных сценариев. Для обучения и тестирования предложенного метода было использовано 132 ряда данных, включая геометрические и гидравлические параметры моделей PCLW1 и PCLW2. Для оценки предложенного подхода использовались индексы среднеквадратической ошибки (RMSE), относительной среднеквадратической ошибки (RRMSE) и коэффициента эффективности модели Нэша – Сатклиффа (NSE). Результаты показали, что входными переменными были отношение радиуса к высоте водослива (R/W), отношение длины водослива к высоте водослива (L/W) и отношение гидравлического напора к высоте водослива. высота водослива (В/Ш) со средними значениями RMSE = 0,009, RRMSE = 0,010 и NSE = 0,977 обеспечила лучшие результаты при оценке Cd моделей PCLW1 и PCLW2. Улучшение по сравнению с SAELM, ANFIS-FFA, GEP и ANN по R2 составляет 2,06%, 3,09%, 1,03% и 5,15%. В целом, интеллектуальные гибридные подходы могут быть представлены как наиболее подходящий метод оценки Cd водосливов PCLW.

Одной из основных задач инженеров-гидротехников является оптимальное управление ограниченными водными ресурсами в Иране. Постоянно растущий рост национальных инвестиций в водные проекты приводит к оптимизации проектов контроля и управления водными ресурсами с целью экономии национального капитала1,2,3. В последние годы гидротехники стараются измерять расход с должной точностью, строя и устанавливая в каналах измерительные сооружения. Одной из распространенных конструкций на многих плотинах и водоперепускных каналах являются лабиринтные плотины, которые используются для дренирования, измерения и контроля уровня воды4, 5. Эти типы плотин являются одними из наиболее практичных наземных сооружений, на которые в последнее время обращают внимание. различных исследователей. Псевдокосинусные лабиринтные водосливы (PCLW) с длинной вершиной обладают подходящими характеристиками для регулирования уровня воды по сравнению с другими водосливами. Многочисленные параметры эффективны при определении Cd в лабиринтных плотинах различных планов. Эти параметры связаны с несколькими факторами, включая общий гидравлический напор на входе (Hu), гидравлический напор на выходе (Hd), высоту водослива (W), радиус (R), количество циклов (N), форму гребня водослива (CR). ), столкновение затылка (Na), условия приближения течения (AF) и т. д.4. В настоящее время ряд проблем, в том числе увеличение затрат, отнимание времени и возникновение человеческих ошибок, привели к использованию 3D и компьютерных моделей6, 7. Поскольку ручные расчеты могут включать человеческую ошибку, необходимо использовать новые интеллектуальные модели. такие методы, как метаэвристические алгоритмы, искусственные нейронные сети, нечеткая логика и т. д. Несколько исследований было проведено исследователями по изучению Cd лабиринтных плотин8,9,10,11,12,13,14,15. Принимая во внимание некоторые структурные ограничения (такие как размеры конструкции и угол наклона водослива) и используя классические методы расчета, такие как методы линейной и нелинейной регрессии, исследователи определили Cd водосливов.

Азаматулла и Ву16 использовали машину опорных векторов (SVM) для точной оценки коэффициентов продольной дисперсии в естественных реках. Тестирование на реальных наборах данных показало, что алгоритм SVM дает обнадеживающие результаты. В другой работе Азаматулла и др.17 предложили использовать SVM для оценки содержания Cd в боковых плотинах. Результаты экспериментов доказали превосходство SVM по сравнению с аналогичными системами адаптивного нейро-нечеткого вывода (ANFIS) и искусственными нейронными сетями (ИНС). Билхан и др.18 оценивают Cd лабиринтных плотин, используя регрессию опорных векторов (SVR) и робастную машину экстремального обучения. Результаты показали, что методы машинного обучения более точно оценивают значения Cd. Сафарразавизаде и др.19 провели лабораторное исследование потока на лабиринтных водосливах полукруглой и синусоидальной формы. Наблюдения показали, что коэффициент расхода в лабиринтных водосливах полукруглого и синусоидального плана, в отличие от линейных водосливов, имеет тенденцию к увеличению при малых водных нагрузках (HT/P < 0,35) и снижается после достижения максимального значения. Бонакдари и др.20 исследовали эффективность метода программирования экспрессии генов (GEP) для оценки Cd. Результаты показывают, что метод GEP дает лучшие результаты в прогнозировании Cd. Шафии и др.21 использовали метод алгоритма ANFIS-Firefly (ANFIS-FFA) для оценки Cd треугольных лабиринтных плотин. Результаты показали, что модель ANFIS-FFA более точна в прогнозировании Cd треугольных лабиринтных плотин. Эмами и др.8 оценили Cd водосливов лабиринта W-плана, используя улучшенный самоадаптивный дифференциальный эволюционный алгоритм и метод регрессии опорных векторов (ISaDE-SVR). ISaDE-SVR очень эффективен при оценке Cd водосливов W-образной формы. Норузи и др.22 смоделировали Cd, используя модель самоадаптирующейся устойчивой обучающейся машины (SAELM). Результаты показали, что модель SAELM оценила содержание Cd с высокой точностью. Ван и др.23 исследовали применение генетического алгоритма (GA), оптимизации роя частиц (PSO) и традиционной нейронной сети BP для прогнозирования Cd треугольной лабиринтной плотины. Результаты показали, что методы GA-BPNN и PSO-BPNN обладают высокой эффективностью в прогнозировании Cd. Чен и др.24 использовали SVM, случайный лес (RF), линейную регрессию, SVM, k-ближайший сосед (KNN) и дерево решений (DT) для прогнозирования Cd обтекаемых плотин. Ахмад и др.25 использовали модель ИНС для прогнозирования Cd дугообразной боковой плотины лабиринта. Результаты показали, что Cd, ​​рассчитанный с помощью ANN, является более точным. Эмами и др.26 использовали алгоритм Уолната и метод SVR для прогнозирования Cd треугольных лабиринтных плотин. Сафари и др.27 оценили модели ANN, GEP и регрессии для оценки Cd плотины с широким гребнем. Результаты показали, что ANN оценивает Cd лучше, чем модели GEP и регрессионные модели.