ترکیب جدید روش درخت تصمیم بر اساس دو شبکه عصبی مصنوعی برای پیش بینی انتقال رسوب در لوله های تمیز

قیمت: 47,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

ترکیب جدید روش درخت تصمیم بر اساس دو شبکه عصبی مصنوعی برای پیش بینی انتقال رسوب در لوله های تمیز

عنوان لاتین

A new hybrid decision tree method based on two artificial neural networks for predicting sediment transport in clean pipes

هیبرید جدید روش درخت تصمیم گیری بر پایه دو شبکه عصبی مصنوعی (ANN)، یعنی پرسپترون چند لایه (MLP) و تابع پایه شعاعی (RBF)، برای پیش بینی انتقال رسوب در لوله های تمیز (بدون رسوب) پیشنهاد شده است. به منظور ساخت مدل ارائه شده در این مطالعه، پارامترهای موثر بر پیش بینی عدد فرود (Fr) از مرور ادبیات استخراج شده اند. اثر هر پارامتر ابتدا با استفاده از MLP و RBF و تحلیل حساسیت بررسی شد. با توجه به تحلیل حساسیت، مدل بهینه نشان می دهد که با استفاده از پارامترهای غلظت رسوب حجمی (CV)، اندازه نسبی متوسط ذرات (d / D)، و نسبت اندازه ذرات با قطر متوسط به شعاع هیدرولیک (d / R) بهترین نتایج پیش بینی Fr بدست می آید. متعاقبا نتایج مدل ترکیبی DT-MLP و DTRBF با MLP و RBF مقایسه شدند. بر اساس نتایج، MLP در تمام مدل ها، Fr را با دقت بیشتری نسبت به RBF پیش بینی کرد و DT-MLP بهترین عملکرد را نشان داد (R2 = 0.975، MARE = 0.063، RMSE = 0.328، SI = 00.081، BIAS = 0.01). علاوه بر این، مقایسه بین DT-MLP و معادلات مبتنی بر رگرسیون موجود، نشان می دهد که مدل های ارائه شده در مطالعه حاضر برتر هستند.

A new hybrid decision tree (DT) technique based on two artificial neural networks (ANN), namely multilayer perceptron (MLP) and radial basis function (RBF), is proposed to predict sediment transport in clean pipes (i.e. without deposition). The parameters affecting densimetric Froude number (Fr) prediction were extracted from the literature in order to build the model proposed in this study. The effect of each parameter is first examined using MLP and RBF and a sensitivity analysis. According to the sensitivity analysis, the optimal model indicates that using the volumetric sediment concentration (CV), median diameter of particle size distribution to pipe diameter (d/D) and ratio of median diameter of particle size distribution to hydraulic radius (d/ R) parameters yield the best Fr prediction results. Subsequently, the hybrid DT-MLP and DTRBF model results are compared with MLP and RBF. According to the results, MLP with all models predicted Fr more accurately than RBF, and DT-MLP exhibited the best performance (R2 =0.975, MARE = 0.063, RMSE= 0.328, SI= 00.081, BIAS =
0.01). Moreover, the comparison between DT-MLP and existing regression-based equations indicates that the models presented in the current study are superior.