LXGB : un algorithme de machine learning pour estimer le coefficient de décharge du pseudo
Rapports scientifiques volume 13, Numéro d'article : 12304 (2023) Citer cet article
1036 Accès
1 Altmétrique
Détails des métriques
Une des solutions pratiques et financières pour augmenter l’efficacité des déversoirs est de modifier la géométrie du plan et d’augmenter la longueur du déversoir jusqu’à une largeur spécifique. Cela augmente le coefficient de débit (Cd) du déversoir. Dans cette étude, un nouveau déversoir appelé déversoir à labyrinthe pseudo-cosinus (PCLW) a été introduit. Un algorithme hybride d'apprentissage automatique LXGB a été introduit pour estimer le Cd du PCLW. Le LXGB est une combinaison de l'algorithme d'évolution différentielle adaptative basée sur l'historique de réduction linéaire de la taille de la population (LSHADE) et de l'algorithme de renforcement de gradient extrême (XGB). Sept scénarios d'entrée différents ont été présentés pour estimer le coefficient de débit du déversoir PCLW. Pour entraîner et tester la méthode proposée, 132 séries de données, comprenant des paramètres géométriques et hydrauliques des modèles PCLW1 et PCLW2, ont été utilisées. L'erreur quadratique moyenne (RMSE), l'erreur quadratique moyenne relative (RRMSE) et les indices du coefficient d'efficacité du modèle de Nash – Sutcliffe (NSE) ont été utilisés pour évaluer l'approche proposée. Les résultats ont montré que les variables d'entrée étaient le rapport entre le rayon et la hauteur du déversoir (R/W), le rapport entre la longueur du déversoir et la hauteur du déversoir (L/W) et le rapport entre la hauteur hydraulique et la hauteur du déversoir. La hauteur du déversoir (H/W), avec les valeurs moyennes de RMSE = 0,009, RRMSE = 0,010 et NSE = 0,977, a fourni de meilleurs résultats dans l'estimation du Cd des modèles PCLW1 et PCLW2. L'amélioration par rapport au SAELM, ANFIS-FFA, GEP et ANN en termes de R2 est de 2,06%, 3,09%, 1,03% et 5,15%. En général, des approches hybrides intelligentes peuvent être présentées comme la méthode la plus appropriée pour estimer le Cd des déversoirs PCLW.
L’une des principales préoccupations des ingénieurs hydrauliques est la gestion optimale des ressources en eau limitées, en Iran. La croissance toujours croissante des investissements nationaux dans les projets hydrauliques conduit à l’optimisation des projets de contrôle et de gestion de l’eau afin d’économiser le capital national1,2,3. Ces dernières années, les ingénieurs hydrauliques ont tenté de mesurer le débit avec une précision appropriée en construisant et en installant des structures de mesure dans les canaux. L'une des structures courantes dans de nombreux barrages et canaux de transfert d'eau sont les déversoirs à labyrinthe, qui sont utilisés pour drainer, mesurer et contrôler le niveau d'eau4, 5. Ces types de déversoirs font partie des structures de surface les plus pratiques, qui ont récemment attiré l'attention. de divers chercheurs. Les déversoirs à labyrinthe pseudo-cosinus (PCLW) à couronne longue ont des performances adaptées pour réguler le niveau d'eau par rapport aux autres déversoirs. De nombreux paramètres sont efficaces pour déterminer le Cd dans un déversoir labyrinthe avec différents plans. Ces paramètres sont liés à plusieurs facteurs, dont la charge hydraulique totale amont (Hu), la charge hydraulique aval (Hd), la hauteur du déversoir (W), le rayon (R), le nombre de cycles (N), la forme de la crête du déversoir (CR). ), la collision de la nuque (Na), les conditions d'écoulement d'approche (AF), etc.4. De nos jours, plusieurs problèmes, notamment l'augmentation des coûts, la perte de temps et l'apparition d'erreurs humaines, ont conduit à l'utilisation de modèles 3D et informatiques6, 7. Étant donné que les calculs manuels peuvent impliquer une erreur humaine, il est nécessaire d'utiliser de nouveaux modèles intelligents. des méthodes telles que les algorithmes méta-heuristiques, les réseaux de neurones artificiels, la logique floue, etc. Plusieurs études ont été réalisées par les chercheurs dans le cadre de l'investigation du Cd des déversoirs labyrinthes8,9,10,11,12,13,14,15. En tenant compte de certaines limitations structurelles (telles que les dimensions de la structure et l'angle du déversoir) et en utilisant des méthodes de calcul classiques telles que les méthodes de régression linéaire et non linéaire, les chercheurs ont déterminé le Cd des déversoirs.
Azamathulla et Wu16 ont utilisé la machine à vecteurs de support (SVM) pour estimer avec précision les coefficients de dispersion longitudinale dans les rivières naturelles. Avec un test sur des ensembles de données du monde réel, il a été prouvé que l'algorithme SVM génère des résultats encourageants. Dans un autre travail, Azamathulla et al.17 ont proposé SVM pour estimer le Cd dans les déversoirs latéraux. Les résultats expérimentaux ont prouvé la supériorité du SVM par rapport aux systèmes d'inférence neuro-flou adaptatifs (ANFIS) et aux réseaux de neurones artificiels (ANN) homologues. Bilhan et al.18 estiment le Cd des déversoirs labyrinthes en utilisant la régression vectorielle de support (SVR) et une machine d'apprentissage extrême robuste et aberrante. Les résultats ont montré que les méthodes d’apprentissage automatique estimaient les valeurs de Cd avec plus de précision. Safarrazavizadeh et al.19 ont réalisé une étude en laboratoire de l'écoulement sur des déversoirs labyrinthes à plan semi-circulaire et sinusoïdal. Les observations ont montré que le coefficient de débit dans les déversoirs labyrinthes à plan semi-circulaire et sinusoïdal, contrairement aux déversoirs linéaires, a une tendance à la hausse en cas de faibles charges d'eau (HT/P < 0,35) et diminue après avoir atteint sa valeur maximale. Bonakdari et al.20 ont étudié l’efficacité de la méthode de programmation de l’expression génique (GEP) pour estimer le Cd. Les résultats montrent que la méthode GEP fournit de meilleurs résultats pour prédire le Cd. Shafiei et al.21 ont utilisé la méthode de l’algorithme ANFIS-firefly (ANFIS-FFA) pour estimer le Cd des déversoirs à labyrinthe triangulaire. Les résultats ont montré que le modèle ANFIS-FFA est plus précis pour prédire le Cd des déversoirs à labyrinthe triangulaire. Emami et al.8 ont estimé le Cd des déversoirs labyrinthes en forme de plan W en utilisant l'algorithme évolutif différentiel auto-adaptatif amélioré et la méthode de régression vectorielle de support (ISaDE-SVR). ISaDE-SVR est très efficace pour estimer le Cd des déversoirs en forme de plan W. Norouzi et al.22 ont simulé le Cd à l’aide d’un modèle de machine d’apprentissage robuste auto-adaptatif (SAELM). Les résultats ont montré que le modèle SAELM estimait le Cd avec une grande précision. Wang et al.23 ont étudié l'application de l'algorithme génétique (GA), de l'optimisation des essaims de particules (PSO) et du réseau neuronal BP traditionnel pour prédire le Cd du déversoir labyrinthe triangulaire. Les résultats ont montré que les méthodes GA-BPNN et PSO-BPNN sont très efficaces pour prédire le Cd. Chen et al.24 ont utilisé SVM, forêt aléatoire (RF), régression linéaire, SVM, k-plus proche voisin (KNN) et arbre de décision (DT) pour prédire le Cd des déversoirs rationalisés. Ahmad et al.25 ont utilisé le modèle ANN pour prédire le Cd d'un déversoir latéral en labyrinthe arqué. Les résultats ont indiqué que le Cd calculé par ANN est plus précis. Emami et al.26 ont utilisé l'algorithme de Walnut et la méthode SVR pour prédire le Cd des déversoirs à labyrinthe triangulaire. Safari et al.27 ont évalué les modèles ANN, GEP et de régression pour estimer le Cd du déversoir à large crête. Les résultats ont montré que l’ANN estime mieux le Cd que les modèles GEP et les modèles de régression.