LXGB: un algoritmo di apprendimento automatico per la stima del coefficiente di scarica di pseudo

Rapporti scientifici volume 13, numero articolo: 12304 (2023) Citare questo articolo

1036 accessi

1 Altmetrico

Dettagli sulle metriche

Una delle soluzioni pratiche ed economiche per aumentare l'efficienza degli sbarramenti è modificare la geometria del piano e aumentare la lunghezza dello sbarramento fino a una larghezza specifica. Ciò aumenta il coefficiente di scarico (Cd) dello stramazzo. In questo studio è stato introdotto un nuovo stramazzo denominato stramazzo a labirinto pseudo-coseno (PCLW). È stato introdotto un algoritmo ibrido di machine learning LXGB per stimare il Cd del PCLW. LXGB è una combinazione dell'evoluzione differenziale adattiva basata sulla storia di riduzione lineare della dimensione della popolazione (LSHADE) e dell'algoritmo di potenziamento del gradiente estremo (XGB). Sono stati presentati sette diversi scenari di input per stimare il coefficiente di scarico dello sbarramento PCLW. Per addestrare e testare il metodo proposto, sono state utilizzate 132 serie di dati, inclusi parametri geometrici e idraulici dei modelli PCLW1 e PCLW2. Per valutare l'approccio proposto sono stati utilizzati gli indici dell'errore quadratico medio (RMSE), dell'errore quadratico medio relativo (RRMSE) e del coefficiente di efficienza del modello Nash-Sutcliffe (NSE). I risultati hanno mostrato che le variabili di input erano il rapporto tra il raggio e l'altezza dello stramazzo (R/W), il rapporto tra la lunghezza dello stramazzo e l'altezza dello stramazzo (L/W) e il rapporto tra il carico idraulico e la lunghezza dello stramazzo. l'altezza dello sbarramento (H/W), con i valori medi di RMSE = 0,009, RRMSE = 0,010 e NSE = 0,977 hanno fornito risultati migliori nella stima del Cd dei modelli PCLW1 e PCLW2. Il miglioramento rispetto a SAELM, ANFIS-FFA, GEP e ANN in termini di R2 è del 2,06%, 3,09%, 1,03% e 5,15%. In generale, gli approcci ibridi intelligenti possono essere introdotti come il metodo più adatto per stimare il Cd degli sbarramenti PCLW.

Una delle principali preoccupazioni degli ingegneri idraulici è la gestione ottimale delle limitate risorse idriche, in Iran. La crescita sempre crescente degli investimenti nazionali in progetti idrici porta all’ottimizzazione dei progetti di controllo e gestione dell’acqua al fine di risparmiare il capitale nazionale1,2,3. Negli ultimi anni gli ingegneri idraulici hanno cercato di misurare la portata con la dovuta precisione costruendo e installando strutture di misurazione nei canali. Una delle strutture comuni in molte dighe e canali di trasferimento dell'acqua sono gli sbarramenti a labirinto, utilizzati per drenare, misurare e controllare il livello dell'acqua4, 5. Questi tipi di sbarramenti sono tra le strutture superficiali più pratiche, che hanno recentemente attirato l'attenzione di vari ricercatori. Gli stramazzi a labirinto pseudo-coseno (PCLW) a corona lunga hanno prestazioni adeguate per la regolazione del livello dell'acqua rispetto ad altri stramazzi. Numerosi parametri sono efficaci nella determinazione del Cd in labirinti con piani diversi. Questi parametri sono legati a diversi fattori, tra cui il carico idraulico totale a monte (Hu), il carico idraulico a valle (Hd), l'altezza dello stramazzo (W), il raggio (R), il numero di cicli (N), la forma della cresta dello stramazzo (CR ), collisione della nuca (Na), condizioni del flusso di avvicinamento (AF), ecc.4. Al giorno d'oggi, diversi problemi, tra cui l'aumento dei costi, il dispendio di tempo e il verificarsi di errori umani, hanno portato all'uso di modelli 3D e computerizzati6, 7. Poiché i calcoli manuali possono comportare errori umani, è necessario utilizzare nuovi modelli intelligenti metodi come algoritmi metaeuristici, reti neurali artificiali, logica fuzzy, ecc. Diversi studi sono stati condotti dai ricercatori nell'investigazione del Cd degli sbarramenti labirintici8,9,10,11,12,13,14,15. Considerando alcune limitazioni strutturali (come le dimensioni della struttura e l'angolo dello stramazzo) e utilizzando metodi di calcolo classici come i metodi di regressione lineare e non lineare, i ricercatori hanno determinato il Cd degli stramazzi.

Azamathulla e Wu16 hanno utilizzato la Support Vector Machine (SVM) per stimare con precisione i coefficienti di dispersione longitudinale nei fiumi naturali. Con un test su set di dati reali, l’algoritmo SVM ha dimostrato di generare risultati incoraggianti. In un altro lavoro, Azamathulla et al.17 hanno proposto alla SVM di stimare il Cd negli sbarramenti laterali. I risultati sperimentali hanno dimostrato la superiorità dell'SVM rispetto ai sistemi di inferenza neuro-fuzzy adattivi (ANFIS) e alle reti neurali artificiali (ANN). Bilhan et al.18 stimano il Cd degli sbarramenti labirintici utilizzando la regressione vettoriale di supporto (SVR) e una macchina di apprendimento estremo robusta e anomala. I risultati hanno mostrato che i metodi di apprendimento automatico stimano i valori Cd in modo più accurato. Safarrazavizadeh et al.19 hanno eseguito un'indagine di laboratorio sul flusso su sbarramenti a labirinto con pianta semicircolare e sinusoidale. Le osservazioni hanno dimostrato che il coefficiente di scarico negli stramazzi a labirinto con pianta semicircolare e sinusoidale, a differenza degli stramazzi lineari, ha un andamento crescente con bassi carichi d'acqua (HT/P < 0,35) e diminuisce dopo aver raggiunto il suo valore massimo. Bonakdari et al.20 hanno studiato l'efficacia del metodo di programmazione dell'espressione genica (GEP) per la stima del Cd. I risultati mostrano che il metodo GEP fornisce risultati migliori nella previsione di Cd. Shafiei et al.21 hanno utilizzato il metodo ANFIS-firefly (ANFIS-FFA) per stimare il Cd degli sbarramenti a labirinto triangolari. I risultati hanno mostrato che il modello ANFIS-FFA è più accurato nel prevedere il Cd degli sbarramenti a labirinto triangolari. Emami et al.8 hanno stimato il Cd degli sbarramenti labirintici con pianta a W utilizzando l'algoritmo evolutivo differenziale autoadattativo migliorato e il metodo di regressione vettoriale di supporto (ISaDE-SVR). ISaDE-SVR è molto efficace nella stima del Cd degli sbarramenti con pianta a W. Norouzi et al.22 hanno simulato il Cd utilizzando un modello SAELM (self-adaptive robust learning machine). I risultati hanno mostrato che il modello SAELM ha stimato il Cd con elevata precisione. Wang et al.23, hanno studiato l'applicazione dell'algoritmo genetico (GA), dell'ottimizzazione dello sciame di particelle (PSO) e della tradizionale rete neurale BP nella previsione del Cd dello sbarramento a labirinto triangolare. I risultati hanno mostrato che i metodi GA-BPNN e PSO-BPNN hanno un’elevata efficienza nel prevedere il cadmio. Chen et al.24 hanno utilizzato SVM, foresta casuale (RF), regressione lineare, SVM, k-vicino più vicino (KNN) e albero decisionale (DT) per prevedere il Cd degli sbarramenti aerodinamici. Ahmad et al.25 hanno utilizzato il modello ANN per prevedere il Cd di uno sbarramento ad arco sul lato del labirinto. I risultati hanno indicato che il Cd calcolato dall'ANN è più accurato. Emami et al.26 hanno utilizzato l'algoritmo Walnut e il metodo SVR per prevedere il Cd degli sbarramenti labirintici triangolari. Safari et al.27 hanno valutato ANN, GEP e modelli di regressione per stimare il Cd dello sbarramento a cresta larga. I risultati hanno mostrato che l’ANN stima il Cd meglio dei modelli GEP e dei modelli di regressione.