LXGB: un algoritmo de aprendizaje automático para estimar el coeficiente de descarga de pseudo

Scientific Reports volumen 13, número de artículo: 12304 (2023) Citar este artículo

1036 Accesos

1 altmétrica

Detalles de métricas

Una de las soluciones prácticas y económicas para aumentar la eficiencia de los vertederos es modificar la geometría de la planta y aumentar la longitud del vertedero hasta un ancho específico. Esto aumenta el coeficiente de descarga (Cd) del vertedero. En este estudio, se introdujo un nuevo vertedero denominado vertedero laberíntico pseudocoseno (PCLW). Se introdujo un algoritmo híbrido de aprendizaje automático LXGB para estimar el Cd del PCLW. El LXGB es una combinación del algoritmo de evolución diferencial adaptativa basada en el historial de reducción lineal del tamaño de la población (LSHADE) y el algoritmo de aumento de gradiente extremo (XGB). Se presentaron siete escenarios de entrada diferentes para estimar el coeficiente de descarga del vertedero PCLW. Para entrenar y probar el método propuesto, se utilizaron 132 series de datos, incluidos parámetros geométricos e hidráulicos de los modelos PCLW1 y PCLW2. Para evaluar el enfoque propuesto se utilizaron los índices de error cuadrático medio (RMSE), error cuadrático medio relativo (RRMSE) y coeficiente de eficiencia del modelo de Nash-Sutcliffe (NSE). Los resultados mostraron que las variables de entrada fueron la relación entre el radio y la altura del vertedero (R/W), la relación entre la longitud del vertedero y la altura del vertedero (L/W) y la relación entre la altura hidráulica y la altura del vertedero. altura del vertedero (H/W), con los valores promedio de RMSE = 0.009, RRMSE = 0.010 y NSE = 0.977 proporcionaron mejores resultados en la estimación del Cd de los modelos PCLW1 y PCLW2. La mejora en comparación con SAELM, ANFIS-FFA, GEP y ANN en términos de R2 es del 2,06%, 3,09%, 1,03% y 5,15%. En general, se pueden introducir enfoques híbridos inteligentes como el método más adecuado para estimar el Cd de los vertederos de PCLW.

Una de las principales preocupaciones de los ingenieros hidráulicos es la gestión óptima de los limitados recursos hídricos en Irán. El crecimiento cada vez mayor de la inversión nacional en proyectos hídricos conduce a la optimización de los proyectos de control y gestión del agua para ahorrar capital nacional1,2,3. En los últimos años, los ingenieros hidráulicos han intentado medir la descarga con la precisión adecuada construyendo e instalando estructuras de medición en los canales. Una de las estructuras comunes en muchas presas y canales de transferencia de agua son los vertederos laberínticos, que se utilizan para drenar, medir y controlar el nivel del agua4, 5. Este tipo de vertederos se encuentran entre las estructuras de superficie más prácticas, que recientemente han llamado la atención. de diversos investigadores. Los vertederos laberínticos pseudocoseno (PCLW) de corona larga tienen un rendimiento adecuado para la regulación del nivel del agua respecto a otros vertederos. Numerosos parámetros son eficaces para determinar el Cd en un vertedero laberíntico con diferentes planos. Estos parámetros están relacionados con varios factores, incluyendo la altura hidráulica total aguas arriba (Hu), la altura hidráulica aguas abajo (Hd), la altura del vertedero (W), el radio (R), el número de ciclos (N), la forma de la cresta del vertedero (CR ), colisión de nuca (Na), condiciones de flujo de aproximación (AF), etc.4. Hoy en día, varios problemas, incluido el aumento de costos, el consumo de tiempo y la aparición de errores humanos, han llevado al uso de modelos 3D e informáticos6, 7. Dado que los cálculos manuales pueden implicar errores humanos, es necesario utilizar novedosos modelos inteligentes. métodos como algoritmos metaheurísticos, redes neuronales artificiales, lógica difusa, etc. Varios estudios han sido realizados por investigadores en la investigación del Cd de vertederos laberínticos8,9,10,11,12,13,14,15. Teniendo en cuenta algunas limitaciones estructurales (como las dimensiones de la estructura y el ángulo del vertedero) y utilizando métodos de cálculo clásicos, como los métodos de regresión lineal y no lineal, los investigadores han determinado el Cd de los vertederos.

Azamathulla y Wu16 utilizaron la máquina de vectores de soporte (SVM) para estimar con precisión los coeficientes de dispersión longitudinal en ríos naturales. Con una prueba en conjuntos de datos del mundo real, se ha demostrado que el algoritmo SVM genera resultados alentadores. En otro trabajo, Azamathulla et al.17 propusieron SVM para estimar el Cd en vertederos laterales. Los resultados experimentales demostraron la superioridad del SVM en comparación con los sistemas de inferencia neurodifusos adaptativos (ANFIS) y las redes neuronales artificiales (RNA). Bilhan et al.18 estiman el Cd de vertederos laberínticos utilizando regresión de vectores de soporte (SVR) y una máquina de aprendizaje extremo robusta y atípica. Los resultados mostraron que los métodos de aprendizaje automático estimaban los valores de Cd con mayor precisión. Safarrazavizadeh et al.19 realizaron una investigación de laboratorio del flujo en vertederos laberínticos de planta semicircular y sinusoidal. Las observaciones mostraron que el coeficiente de descarga en vertederos laberínticos de planta semicircular y sinusoidal, a diferencia de los vertederos lineales, tiene una tendencia ascendente en cargas bajas de agua (HT/P < 0,35) y disminuye después de alcanzar su valor máximo. Bonakdari et al.20 investigaron la eficacia del método de programación de la expresión génica (GEP) para estimar el Cd. Los resultados muestran que el método GEP proporciona mejores resultados en la predicción de Cd. Shafiei et al.21 utilizaron el método del algoritmo ANFIS-luciérnaga (ANFIS-FFA) para estimar el Cd de vertederos laberínticos triangulares. Los resultados mostraron que el modelo ANFIS-FFA es más preciso a la hora de predecir el Cd de vertederos laberínticos triangulares. Emami et al.8 estimaron el Cd de vertederos laberínticos en forma de planta W utilizando el algoritmo evolutivo diferencial autoadaptativo mejorado y el método de regresión de vectores de soporte (ISaDE-SVR). ISaDE-SVR es muy eficaz para estimar el Cd de vertederos en planta W. Norouzi et al.22 simularon el Cd utilizando un modelo de máquina de aprendizaje robusta autoadaptativa (SAELM). Los resultados mostraron que el modelo SAELM estimó el Cd con alta precisión. Wang et al.23 investigaron la aplicación del algoritmo genético (GA), la optimización del enjambre de partículas (PSO) y la red neuronal tradicional de BP para predecir el Cd de una presa laberíntica triangular. Los resultados mostraron que los métodos GA-BPNN y PSO-BPNN tienen una alta eficiencia en la predicción de Cd. Chen et al.24 utilizaron SVM, bosque aleatorio (RF), regresión lineal, SVM, k-vecino más cercano (KNN) y árbol de decisión (DT) para predecir el Cd de vertederos aerodinámicos. Ahmad et al.25 utilizaron el modelo ANN para predecir el Cd de un vertedero lateral de laberinto en arco. Los resultados indicaron que el Cd calculado por ANN es más preciso. Emami et al.26 utilizaron el algoritmo Walnut y el método SVR para predecir el Cd de vertederos laberínticos triangulares. Safari et al.27 evaluaron ANN, GEP y modelos de regresión para estimar el Cd del vertedero de cresta ancha. Los resultados mostraron que ANN estima el Cd mejor que los modelos GEP y los modelos de regresión.

En los estudios anteriores, según los numerosos modelos geométricos que han sido investigados por diferentes investigadores, no se ha investigado el Cd de PCLW. Por lo tanto, en el presente estudio, utilizando el modelo inteligente de evolución diferencial (LSHADE) y el enfoque de aumento de gradiente extremo (XGB), se estimó el Cd del PCLW. El enfoque propuesto se investigó con diferentes combinaciones de características para identificar la combinación de características de alto rendimiento.

Las contribuciones de este trabajo son las siguientes:

Presentamos el algoritmo LXGB, que integra LSHADE con XGB para ajustar los parámetros de XGB y mejorar aún más su rendimiento de estimación.

Utilizando el algoritmo LXGB para estimar el Cd de PCLW. El algoritmo propuesto modela la

Evaluar el modelo propuesto con un conjunto de datos del mundo real y compararlo con algoritmos de última generación. Los resultados experimentales muestran la superioridad del método propuesto en comparación con sus homólogos en términos de medidas de rendimiento.

Las secciones restantes de este estudio están organizadas de la siguiente manera. La sección "Material y métodos" ilustra los materiales experimentales y el enfoque híbrido presentado. La sección "Resultados y Discusión" presenta los resultados y las discusiones. La sección "Conclusión" resume las recomendaciones de papel y suministros para el próximo trabajo.

La ecuación unidimensional del flujo en el PCLW es la siguiente28:

donde Q es la descarga, g muestra la aceleración de la gravedad, L es la longitud del vertedero y HT es la altura hidráulica (h + V2/2 g). El Cd de vertederos laberínticos en condiciones de flujo libre depende de parámetros geométricos e hidráulicos de la siguiente manera:

donde B es el ancho del canal, Hd es la altura hidráulica total (aguas abajo del vertedero), V muestra la velocidad del flujo, W indica la altura del vertedero, R es el radio de curvatura del vertedero, S es la longitud de la parte recta entre las curvas del vertedero, t es el espesor del vertedero, α representa el ángulo de la sección recta entre las curvas del vertedero con la dirección del canal, N indica el número de ciclos, ρ indica la densidad del fluido, μ la dinámica viscosidad, σ muestra la tensión superficial, CS significa la forma de la cresta del vertedero, JS denota la forma de la paleta que fluye y SW representa el flujo que se aproxima y el efecto de la pared lateral.

La ecuación (2) se puede escribir de la siguiente manera:

donde Re es el número de Reynolds, nos referimos al número de Weber y Fr es el número de Froude. Henderson29 concluyó que si Re < 2000, el efecto de la viscosidad puede despreciarse. Novak et al.30 concluyeron que si la altura del agua en el vertedero es superior a 3 o 4 cm, se ignora el efecto de la tensión superficial. Debido al flujo turbulento y a la altura mínima del agua de 5 cm en el vertedero, se eliminaron los impactos de los números Re y We. La forma del borde de todos los vertederos utilizados se seleccionó como una cresta afilada y se ignoró el efecto de la CS. Debido a la instalación de vertederos perpendiculares al flujo principal y la ausencia de contracción local en su ubicación de instalación, las condiciones del flujo SO que se aproxima se consideraron las mismas para todos los experimentos.

Ecuación (3). se simplifica como la siguiente ecuación:

La simulación del flujo alrededor del PCLW se realizó en un canal con un ancho, largo y alto de 0,49 m a 1,115 m, 3,2 m y 0,5 m, respectivamente. En la Fig. 1 se muestran los modelos PCLW y sus características geométricas.

Un panorama general de PCLW1 y PLCW2.

Las características geométricas y la gama de parámetros experimentales del PLCW se presentan en la Tabla 1.

XGB31,32,33 es una sólida solución de aprendizaje supervisado para problemas de regresión, clasificación y ranking de forma rápida y precisa. XGB es una forma más generalizada de árboles de decisión que aumentan el gradiente. Utiliza procesamiento paralelo, resuelve los valores faltantes de manera eficiente, evita el sobreajuste y funciona bien en conjuntos de datos de diferentes tamaños.

Para un conjunto de datos dado con n ejemplos y m características \(D \, = \, \{ f(x_{i} , \, y_{i} )\} \, (\left| D \right| = \, n , \, x_{i} \in R^{m} , \, y_{i} \in R)\), XGB consta de un conjunto de K árboles de clasificación y regresión (CART). La predicción final se formula de la siguiente manera31:

\(\hat{y}_{i}\) es el valor predictivo final, F es la lista de CART y \(f_{k} (x_{i} )\) es la función de entrada en el k- º árbol de decisión. En el XGB, la función objetivo consta de dos componentes: regularización y error de entrenamiento, que se definen de la siguiente manera31:

donde \(\sum\limits_{i = 1}^{n} {l(y_{i} ,\hat{y}_{i} )}\) calcula la diferencia entre el valor predicho y el valor observado del función de pérdida. \(\sum\limits_{k = 1}^{K} {\Omega (f_{k} )}\) calcula el componente de regularización, que es:

donde \(\gamma\) es el coeficiente de penalización de la hoja, T es el número total de un nodo de hoja, \(\lambda\) garantiza que las puntuaciones de un nodo de hoja no sean demasiado grandes y w son las puntuaciones de una hoja nodo. XGB emplea la estrategia de aumento de gradiente, agrega un nuevo árbol en cada iteración y modifica los resultados de las pruebas anteriores ajustando los residuos de la predicción anterior:

Integrando la ecuación. (1) y (2), la función objetivo para el árbol t-ésimo se puede escribir como31:

Tomando la expansión de Taylor de la función de pérdida hasta el segundo orden, la ecuación. (9) se puede aproximar de la siguiente manera:

donde \(g_{i} = \partial \hat{y}^{K - 1} l(y_{i} ,\hat{y}^{K - 1} )\) y \(h_{i} = \partial^{2} \hat{y}^{K - 1} l(y_{i} ,\hat{y}^{K - 1} )\) son las estadísticas de gradiente de primer y segundo orden de la pérdida función.

El peso óptimo \(w_{j}\) de la hoja j y la función objetivo de un árbol se pueden escribir de la siguiente manera:

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

el modelo de ajuste débil se intensificará de la siguiente manera:

donde \(\eta\) es la tasa de aprendizaje. XGB agrega nuevos árboles en cada iteración dividiendo entidades continuamente. Agregar un nuevo árbol al modelo es aprender una nueva función \(f_{k} (X,\theta_{k} )\) para ajustarse al residuo de la predicción anterior. Una vez que se aprenden los K árboles, el modelo de ajuste fuerte \(F(x_{i} )\) se utiliza para predecir:

donde F(xi) es el modelo de ajuste fuerte.

La Figura 2 muestra el principio de funcionamiento de XGB.

Un panorama general del método XGB.

Dado que los hiperparámetros de XGB a menudo se configuran empíricamente, el ajuste óptimo de los parámetros es esencial para diseñar XGB robusto. En este artículo, utilizamos el algoritmo LSHADE para ajustar los parámetros XGB, incluido el número de árboles de decisión (K), la tasa de aprendizaje (\(\eta\)), la profundidad máxima (md), el peso mínimo del niño (mcw), el valor gamma. (\(\gamma\)), submuestra (ss). La Tabla 2 enumera los parámetros XGB y su rango utilizado en la implementación.

La adaptación de parámetros basada en el historial de éxito para la evolución diferencial (SHADE)34 es una estrategia de optimización evolutiva adaptativa. LSHADE35 mejora SHADE con una técnica de reducción lineal del tamaño de la población, que reduce gradualmente el tamaño de la población utilizando una función lineal. LSHADE comienza su proceso de optimización con una población generada aleatoriamente de vectores de parámetros reales. El algoritmo repite un proceso de generación y selección de vectores de rastro hasta que se satisfacen algunas condiciones de terminación.

El mecanismo de incentivo de LXGB es mejorar el rendimiento de clasificación de XGB integrando el algoritmo de optimización LSHADE con XGB. La Figura 3 muestra el principio de funcionamiento del algoritmo LXGB.

Principio del algoritmo LXGB.

Se utilizaron métricas RMSE, RRMSE y NSE para evaluar el desempeño del enfoque LXGB (ecuaciones 16-18).

RMSE: raíz del error cuadrático medio; NSE: coeficiente de eficiencia del modelo Nash-Sutcliffe; RRMSE: Error cuadrático medio relativo.

Donde Xi son los valores predichos, Yi son los valores observados y \(\overline{X}\) es el promedio de X.

El Cd de los vertederos PCLW1 y PCLW2 se estimó utilizando el método híbrido LXGB. Al principio, todos los datos disponibles se normalizaron para eliminar o corregir los valores atípicos36.

donde Xmin son los datos mínimos, X representan los datos sin procesar, Xmax son los datos máximos y Xn son los datos normalizados.

La relación entre la longitud del vertedero y la altura del vertedero (L/W), la relación entre el ancho del canal y la altura del vertedero (B/W), la relación entre el espesor del vertedero y la altura del vertedero (t/W), el número de ciclos (N), el radio a la altura del vertedero (R/W), la relación de la sección recta entre la longitud de las curvas del vertedero y la altura del vertedero (S/W), la relación de la, la relación de la cabeza hidráulica a la altura del vertedero (H/W), se consideraron como parámetros de entrada del enfoque LXGB. Se seleccionaron 132 conjuntos de datos, incluidos parámetros geométricos e hidráulicos. Los datos se dividieron aleatoriamente en dos partes: 80% (106 datos) para entrenar el modelo y 20% (26 datos) para probarlo.

Se examinaron siete modelos con diferentes variables para introducir los parámetros de entrada más influyentes en la estimación del Cd de los vertederos PCLW1 y PCLW2. Las Tablas 3 y 4 y las Figs. 4 y 5 presentan varias variables de entrada.

Combinación de variables de entrada (modelo PCLW1).

Combinación de variables de entrada (modelo PCLW2).

En las Tablas 5 y 6 se presentan los criterios de evaluación de diferentes variables de entrada para estimar el Cd. En la Fig. 6 se presenta parte del proceso de modelado mediante el enfoque LXGB.

Estructura del árbol generado por el algoritmo LXGB.

Los resultados muestran la precisión del enfoque LXGB presentado en la estimación del Cd de los modelos PCLW1 y PCLW2 de PCLW. Mahmoud et al.37 concluyeron que los métodos ANFIS-PSO y MLP-FA (perceptrón multicapa y algoritmo de optimización de luciérnaga) son los más precisos para estimar el Cd de vertederos laberínticos triangulares, respectivamente. En un estudio similar, Majediasl y Fuladipanah38 concluyeron que el modelo SVM produce los resultados más exactos en la predicción del Cd del vertedero laberíntico con RMSE = 0,0118. Shafiei et al.21 informaron que el modelo ANFIS-FFA es bastante preciso para estimar el Cd del vertedero laberíntico. Karami et al.10 demostraron que el método ELM con RMSE = 0,006 tiene una eficiencia aceptable en la estimación del Cd del vertedero laberíntico. En un estudio similar, se utilizó la eficacia del método del algoritmo máquina-bat de vector de soporte de mínimos cuadrados (LSSVM-BA) para investigar la descarga de una presa laberíntica curva39. Los resultados de los estudios mostraron que el modelo basado en SVM dio resultados precisos en la estimación del Cd del vertedero laberíntico arqueado con valores de RMSE = 0,013 y R2 = 0,97040. La red neuronal de perceptrón multicapa (MLPNN) logró estimar la descarga sobre los vertederos laberínticos arqueados triangulares de RMSE = 0,00385 y R2 = 0,99941.

Los resultados del Cd estimado y observado de los modelos PCLW1 y PCLW2 de vertederos de laberinto pseudocoseno se compararon en las Figs. 7 y 8. Según los resultados, el modelo K6 con las variables de entrada de (R/W), (L/W) y (H/W), tuvo los valores óptimos de los indicadores estadísticos. El Cd de los vertederos PCLW1 y PCLW2 aumenta con el aumento de la altura del vertedero. En un estudio similar, se concluyó que con el aumento de la altura del vertedero, aumenta el Cd del vertedero del laberinto triangular pico de pato, lo que concuerda con los resultados del presente estudio7. El aumento en la longitud efectiva de los laberintos a un ancho específico, debido a los aumentos del radio de los vertederos PCLW1 y PCLW2, provoca un aumento en el Cd. Los estudios demostraron que el aumento del radio provoca una reducción de los flujos de remolinos, turbulencias y un aumento repentino de la altura del agua durante el vertedero39, 40, 42. Los resultados de las investigaciones mostraron que con el aumento de R/W, el Cd aumenta en la presa laberíntica arqueada, lo que concuerda con los resultados del presente estudio41. Además, el modelo K2 (H/W, L/W, R/W, N) está en segundo lugar, lo que muestra que la longitud, la altura del vertedero, el radio y el número de ciclos tienen un impacto más significativo en el Cd de PCLW1. y vertederos PCLW2. Al aumentar el número de ciclos del vertedero laberíntico, la descarga y el Cd aumentan, lo que es consistente con los resultados del presente estudio40, 43. La Figura 9 muestra la importancia de los parámetros de entrada influyentes en la estimación del Cd de PCLW.

Cambios de Cd del PCLW1 (a) fase de entrenamiento, (b) fase de prueba (modelo K6).

Cambios de Cd del PCLW2 (a) fase de entrenamiento, (b) fase de prueba (modelo K6).

Importancia de las características de la Cdestimación del plan (a) PCLW1 y (b) PCLW2; f0: H/W, f1: R/W, f2: L/W, f3: N.

Emami et al.44 predijeron el Cd de vertederos laberínticos de planta curva utilizando el método WOA-ANFIS, y los parámetros de entrada H/W y θ (ángulo del arco del vertedero) se introdujeron como los parámetros más eficaces para estimar el Cd. Majediasal y Fuladipanah38, investigaron el método de la máquina de vectores de soporte (SVM) para Cd de vertederos laberínticos triangulares de cresta afilada y concluyeron que la combinación de entrada, incluidos los parámetros geométricos (θ, h/w, L/B), tiene los mejores resultados. Mohammadi et al.45 informaron que los parámetros Ht/P, W/P (la relación entre el ancho del vertedero y la altura), R/W, W/LC (la relación entre el ancho del vertedero y la longitud efectiva) como variables de entrada tienen la mayor precisión y eficiencia en la estimación del Cd de vertederos laberínticos en forma de U. Haghiabi et al.46 indicaron el Cd de vertederos laberínticos triangulares utilizando el sistema ANFIS y concluyeron que el ANFIS tiene una implementación adecuada en la estimación de Cd. Los estudios demostraron que el parámetro H/W es el parámetro más influyente en el Cd de un vertedero laberíntico y de un laberinto arqueado47.

La Tabla 7 compara el rendimiento de XGB y LXGB en el conjunto de datos de prueba. Los resultados muestran la superioridad del LXGB en comparación con el algoritmo XGB en términos de medidas de rendimiento. Este problema demuestra que la combinación de LSHADE con XGB mejora el rendimiento de la estimación.

En la Tabla 8 se han comparado los valores de los criterios de evaluación para estimar el Cd de vertederos laberínticos con diferentes planos con los resultados de otros estudios. Los resultados para LXGB se generan con el plan PCLW1. Las comparaciones muestran la precisión adecuada del enfoque LXGB al estimar el Cd de vertederos laberínticos con R2 = 0,97 y RMSE = 0,014.

Este estudio presenta un diseño novedoso para vertederos laberínticos llamados vertederos laberínticos pseudocoseno (PCLW). El LXGB se utilizó para estimar el Cd del vertedero PCLW. Se introdujeron siete modelos con diferentes combinaciones de parámetros de entrada apropiados. Se definió un modelo adecuado analizando los resultados de la estimación. El modelo superior estima el Cd considerando los parámetros de entrada H/W, R/W y L/W. Se logró LXGB al estimar el Cd de los desbordamientos de PCLW obteniendo valores de R2 = 0,971, RMSE = 0,014 y NSE = 0,97. Los resultados demostraron que el algoritmo LXGB propuesto generó resultados más significativos que estudios anteriores en la estimación del Cd de vertederos laberínticos. Un modelo de predicción tan rentable puede tener una aplicación práctica importante, ya que puede ser una alternativa económica a la costosa solución de laboratorio, que es costosa y requiere mucho tiempo. El modelo propuesto es útil para corregir el diseño de sistemas de transferencia de agua.

Los conjuntos de datos generados y/o analizados durante el estudio actual no están disponibles públicamente, pero están disponibles a través del autor correspondiente previa solicitud razonable.

El Bedawy, R. Gestión de los recursos hídricos: crisis alarmante para Egipto. J. Administración. Sostener. 4, 108 (2014).

Artículo de Google Scholar

Zomorodian, M. et al. La aplicación de dinámica de sistemas de última generación en el modelado integrado de recursos hídricos. J. Medio Ambiente. Administrar. 227, 294–304 (2018).

Artículo PubMed Google Scholar

Verma, S., Verma, MK, Prasad, AD, Mehta, DJ y Islam, MN Modelado de la incertidumbre en la estimación de los componentes del hidrograma en conjunto con el algoritmo de optimización SUFI-2 mediante el uso de múltiples funciones objetivo. Modelo. Sistema Tierra. Reinar. 1–19 (2023).

Singh, D. y Kumar, M. Diseño hidráulico y análisis de vertederos de teclas de piano: una revisión. Árabe. J. Ciencias. Ing. 1–15 (2021).

Achour, B., Amara, L. & Mehta, D. Nuevas consideraciones teóricas sobre el flujo gradualmente variado en un canal triangular. LARHYSS J. 50, 7–29 (2022).

Google Académico

Miller, DS (ed.) Características de descarga: manuales de diseño de estructuras hidráulicas IAHR 8ª ed. (Routledge, 2017).

Google Académico

Emami, S., Arvanaghi, H. & Parsa, J. Investigación numérica del efecto de los parámetros geométricos del vertedero laberíntico sobre el coeficiente de descarga. J. Rehabilitación. Ing. Civil. 6(1), 1–9 (2018).

Google Académico

Emami, S., Parsa, J., Emami, H. & Abbaspour, A. Un algoritmo ISaDE combinado con regresión de vector de soporte para estimar el coeficiente de descarga de vertederos en forma de planta W. Suministro de agua. 21(7), 3459–3476 (2021).

Artículo de Google Scholar

Roushangar, K., Alami, MT, Majedi Asl, M. y Shiri, J. Modelado del coeficiente de descarga de vertederos laberínticos de orientación normal e invertida utilizando técnicas de aprendizaje automático. ISH J. Hidráulico. Ing. 23(3), 331–340 (2017).

Artículo de Google Scholar

Karami, H., Karimi, S., Bonakdari, H. & Shamshirband, S. Predicción del coeficiente de descarga de una presa laberíntica triangular utilizando una máquina de aprendizaje extremo, una red neuronal artificial y programación genética. Computación neuronal. Aplica. 29, 983–989 (2018).

Artículo de Google Scholar

Bilhan, O., Emiroglu, ME y Kisi, O. Uso de redes neuronales artificiales para la predicción del coeficiente de descarga de un vertedero del lado del laberinto triangular en canales curvos. Adv. Ing. Software. 42(4), 208–214 (2011).

Artículo MATEMÁTICAS Google Scholar

Parsaie, A. y Haghiabi, AH Predicción del coeficiente de descarga del vertedero lateral mediante técnica de programación genética. Jordan J. Ing. Civil. 11(1), (2017).

Emiroglu, ME, Bilhan, O. & Kisi, O. Redes neuronales para la estimación de la capacidad de descarga de un vertedero lateral de laberinto triangular ubicado en un canal recto. Sistema experto. Aplica. 38(1), 867–874 (2011).

Artículo MATEMÁTICAS Google Scholar

Honar, T., Tarazkar, MH y Tarazkar, MR Estimación del coeficiente de descarga del vertedero lateral mediante Neuro-Fuzzy (ANFIS). J. Conservación del agua y el suelo. 17(2), 169-176 (2011).

Google Académico

Aghdarimoghaddam, A. & Nodoshan, J. Optimización de la geometría del aliviadero del laberinto triangular utilizando modelos anfis y algoritmos genéticos. J. Modelo. Ing. 5(19), 57–68 (2009).

Google Académico

Azamathulla, HMD & Wu, F. Enfoque de máquina de vectores de soporte para coeficientes de dispersión longitudinal en corrientes naturales. Aplica. Computación suave. 11(2), 2902–2905 (2011).

Artículo de Google Scholar

Azamathulla, HM, Haghiabi, AH y Parsaie, A. Predicción del coeficiente de descarga del vertedero lateral mediante la técnica de la máquina de vectores de soporte. Ciencia del agua. Tecnología. Suministro de agua. 16(4), 1002–1016 (2016).

Artículo de Google Scholar

Bilhan, O., Aydin, MC, Emiroglu, ME y Miller, CJ Análisis experimental y CFD de vertederos laberínticos circulares. J. Irrig. Drenar. Ing. 144.6, 04018007 (2018).

Artículo de Google Scholar

Safarrazavizadeh, M., Esmaeilivaraki, M. & Biabani, R. Estudio experimental sobre flujo sobre vertederos laberínticos sinusoidales y semicirculares. ISH J. Hidráulico. Ing. 27(1), 304–313 (2021).

Artículo de Google Scholar

Bonakdari, H., Ebtehaj, I., Gharabaghi, B., Sharifi, A. y Mosavi, A. Predicción de la capacidad de descarga de la presa laberíntica con programación de expresión génica. En Sistemas y aplicaciones inteligentes: Actas de la Conferencia de sistemas inteligentes 2020 (IntelliSys). 1, 202–217 (2021).

Shafiei, S., Najarchi, M. & Shabanlou, S. Un enfoque novedoso que utiliza CFD y el algoritmo neuro-difuso-luciérnaga para predecir el coeficiente de descarga del vertedero laberíntico. J. Braz. Soc. Mec. Ciencia. Ing. 42, 1-19 (2020).

Artículo de Google Scholar

Norouzi, P., Rajabi, A. y Shabanlou, S. Estimación del coeficiente de descarga del vertedero laberíntico utilizando una máquina de aprendizaje extremo autoadaptativa. J. Ciencia del suelo y el agua. 32(1), 39–52 (2022).

Google Académico

Wang, F., Zheng, S., Ren, Y., Liu, W. y Wu, C. Aplicación de una red neuronal híbrida en la predicción del coeficiente de descarga de una presa laberíntica triangular. Medición de flujo. Instrumento. 83, 102108 (2022).

Artículo de Google Scholar

Chen, W. y col. Predicción precisa del coeficiente de descarga de vertederos optimizados mediante el acoplamiento de regresión lineal y una unidad recurrente cerrada convolucional profunda. Ing. Aplica. Computadora. Mecánica de fluidos. 16(1), 965–976 (2022).

Google Académico

Ahmad, F., Hussain, A. y Ansari, MA Desarrollo del modelo ANN para la predicción del coeficiente de descarga de un vertedero lateral de laberinto en arco. Modelo. Sistema Tierra. Reinar. 9, 1–8 (2022).

Google Académico

Emami, H., Emami, S. y Parsa, J. Un algoritmo de optimización de Walnut aplicado a la predicción del coeficiente de descarga en vertederos laberínticos. Suave. Computadora. 26(22), 12197–12215 (2022).

Artículo de Google Scholar

Safari, S. y col. Evaluación de ANN, GEP y modelos de regresión para estimar el coeficiente de descarga del vertedero rectangular de cresta ancha. Polaco J. Environ. Semental. 31(5), 4817 (2022).

Artículo de Google Scholar

Mohammadi, M. & Yasi, M. Investigación de vertedero laberíntico con plano de arco. J. Agrícola. Ciencia. Tecnología. 11(41), 1–12 (2007).

Google Académico

Henderson, flujo de canal abierto FM (Macmillan Publishing, 1996).

Google Académico

Novak, P., Guinot, V., Jeffrey, A. y Reeve, DE Modelado hidráulico: una introducción. Spon Press, una editorial de Taylor & Francis, Londres y Nueva York. 599 (2010).

Guo, R. y col. Reconocimiento del estado de degradación de una bomba de pistón basado en ICEEMDAN y XGBoost. Aplica. Ciencia. 10(18), 6593 (2020).

Artículo CAS Google Scholar

Thongsuwan, S., Jaiyen, S., Padcharoen, A. & Agarwal, P. ConvXGB: un nuevo modelo de aprendizaje profundo para problemas de clasificación basado en CNN y XGBoost. Núcleo. Ing. Tecnología. 53(2), 522–531 (2021).

Artículo CAS Google Scholar

Gu, Y., Zhang, D. & Bao, Z. Un nuevo predictor basado en datos, PSO-XGBoost, utilizado para la permeabilidad de yacimientos de arenisca estrechos: un estudio de caso del miembro de chang 4+ 5, campo petrolífero de Jiyuan occidental, cuenca de Ordos . J. Gasolina. Ciencia. Ing. 199, 108350 (2021).

Artículo CAS Google Scholar

Tanabe, R. y Fukunaga, A. Adaptación de parámetros basada en el historial de éxito para la evolución diferencial. Congreso IEEE sobre computación evolutiva. 71–78 (2013).

Tanabe, R. y Fukunaga, AS Mejora del rendimiento de búsqueda de SHADE mediante la reducción lineal del tamaño de la población. Congreso IEEE sobre computación evolutiva (CEC). 1658–1665 2014.

Larose, DT y Larose, CD Descubrir el conocimiento en los datos: una introducción a la minería de datos (Wiley, 2014).

MATEMÁTICAS Google Scholar

Mahmoud, A., Yuan, X., Kheimi, M. y Yuan, Y. Precisión de interpolación de técnicas híbridas de computación blanda para estimar la capacidad de descarga de una presa laberíntica triangular. Acceso IEEE 9, 6769–6785 (2021).

Artículo de Google Scholar

Majediasl, M. & Fuladipanah, M. Aplicación de métodos evolutivos para determinar el coeficiente de descarga de vertederos laberínticos triangulares. JWSS-Univ. de Isfahán. Tecnología. 22(4), 279–290 (2019).

Google Académico

Hu, Z. et al. Uso de algoritmos de computación suave y aprendizaje automático para predecir el coeficiente de descarga de desbordamientos de laberintos curvos. Ing. Aplica. Computadora. Mecánica de fluidos. 15(1), 1002–1015 (2021).

Google Académico

Roushangar, K., Alami, MT, Shiri, J. y Asl, MM Determinación del coeficiente de descarga de vertederos laberínticos y laberínticos arqueados utilizando una máquina de vectores de soporte. Hidrol. Res. 49(3), 924–938 (2018).

Artículo de Google Scholar

Zounemat-Kermani, M., Kermani, SG, Kiyaninejad, M. & Kisi, O. Evaluación de la aplicación de métodos inteligentes basados en datos para estimar la descarga sobre un vertedero laberíntico en arco triangular. Medición de flujo. Instrumento. 68, 101573 (2019).

Artículo de Google Scholar

Achour, B., Amara, L. & Mehta, D. Control del salto hidráulico mediante un umbral de cresta delgada en un canal rectangular, nueva consideración experimental. LARHYSS J. 50, 31–48 (2022).

Google Académico

Zadghorban, M., Masoudian, M., Esmaeilivaraki, M. & Gharagezlou, M. Investigación de la rugosidad del vertedero cilíndrico sobre las características hidráulicas. Irán. J. Gestión de Cuencas. Ciencia. Ing. 12(40), 69–80 (2018).

Google Académico

Emami, S., Parsa, J. y Emami, H. Estimación del coeficiente de descarga de vertederos laberínticos en forma de planta curva utilizando un método híbrido WOA-ANFIS. Irán. J. Riego. Drenaje 14(5), 1664–1676 (2020).

Google Académico

Mohammadi, F., Hassanzadeh, Y. y Roushangar, K. Determinación del coeficiente de descarga de vertederos en forma de U de cresta afilada de un ciclo utilizando un enfoque SVM basado en núcleo. Irán. J. Riego. Drenaje 14(5), 1722–1736 (2020).

Google Académico

Haghiabi, AH, Parsaie, A. & Ememgholizadeh, S. Predicción del coeficiente de descarga de vertederos laberínticos triangulares utilizando un sistema de inferencia neurodifusa adaptativo. Alex. Ing. J. 57 (3), 1773–1782 (2018).

Artículo de Google Scholar

Heydari, M., Dosti, M. y Safari, H. Optimización del coeficiente de flujo de desbordamientos en zigzag trapezoidal utilizando el algoritmo inteligente de enfriamiento gradual. Décimo Seminario Internacional sobre Ingeniería Fluvial, Universidad Shahid Chamran, Ahvaz, Irán (2014).

Descargar referencias

Departamento de Ingeniería del Agua, Universidad de Tabriz, Tabriz, 5971982284, Irán

Somayeh Emami

Departamento de Ingeniería Informática, Universidad de Bonab, Bonab, Irán

Hojjat Emami

Departamento de Ingeniería del Agua, Universidad de Tabriz, Tabriz, Irán

Javad Parsa

También puedes buscar este autor en PubMed Google Scholar.

SE, HE y JP diseñaron el estudio, analizaron y discutieron los datos y resultados. SE y HE realizaron los experimentos y simulaciones. SE y HE prepararon la propuesta híbrida de modelo/materiales/equipos/sistema de riego. Todos los autores revisaron el manuscrito.

Correspondencia a Somayeh Emami.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Emami, S., Emami, H. & Parsa, J. LXGB: un algoritmo de aprendizaje automático para estimar el coeficiente de descarga de una presa laberíntica pseudocoseno. Representante científico 13, 12304 (2023). https://doi.org/10.1038/s41598-023-39272-6

Descargar cita

Recibido: 16 de mayo de 2023

Aceptado: 22 de julio de 2023

Publicado: 29 de julio de 2023

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.