LXGB: 擬似的な流量係数を推定するための機械学習アルゴリズム

Scientific Reports volume 13、記事番号: 12304 (2023) この記事を引用

1036 アクセス

1 オルトメトリック

メトリクスの詳細

堰の効率を高めるための現実的かつ経済的な解決策の 1 つは、計画の形状を変更し、堰の長さを特定の幅まで増やすことです。 これにより、堰の流量係数 (Cd) が増加します。 本研究では、擬似余弦迷路堰（PCLW）と呼ばれる新たな堰を導入した。 PCLW の Cd を推定するために、ハイブリッド機械学習 LXGB アルゴリズムが導入されました。 LXGB は、線形集団サイズ削減履歴ベースの適応差分進化 (LSHADE) と極度勾配ブースティング (XGB) アルゴリズムを組み合わせたものです。 PCLW 堰の流量係数を推定するために、7 つの異なる入力シナリオが提示されました。 提案された方法をトレーニングおよびテストするために、PCLW1 および PCLW2 モデルの幾何学的パラメーターと水力学的パラメーターを含む 132 のデータ シリーズが使用されました。 提案されたアプローチを評価するために、二乗平均平方根誤差 (RMSE)、相対二乗平均平方根誤差 (RRMSE)、およびナッシュ・サトクリフ モデル効率係数 (NSE) 指数が使用されました。 その結果、入力変数は、半径と堰の高さの比 (R/W)、堰の長さと堰高さの比 (L/W)、および水頭と堰の高さの比であることがわかりました。堰の高さ (H/W)、平均値 RMSE = 0.009、RRMSE = 0.010、および NSE = 0.977 は、PCLW1 および PCLW2 モデルの Cd の推定においてより良い結果を提供しました。 SAELM、ANFIS-FFA、GEP、および ANN と比較した R2 の改善率は、2.06%、3.09%、1.03%、および 5.15% です。 一般に、インテリジェントハイブリッドアプローチは、PCLW 堰の Cd を推定するための最も適切な方法として導入できます。

水力技術者の主な関心事の 1 つは、イランにおける限られた水資源の最適な管理です。 水道プロジェクトへの国家投資の増加が止まらず、国家資本を節約するための水制御および管理プロジェクトの最適化につながります1、2、3。 近年、水力技術者は水路に測定構造を構築して設置することにより、適切な精度で流量を測定しようとしています。 多くのダムや導水路で一般的な構造の 1 つは、排水、計測、水位制御に使用される迷路堰です 4, 5。このタイプの堰は、最も実用的な表面構造の 1 つであり、最近注目を集めています。さまざまな研究者の方々。 擬似余弦迷路堰（PCLW）は天端が長く、他の堰に比べて水位の調節に適した性能を持っています。 さまざまな計画で迷路堰の Cd を決定するには、多数のパラメータが有効です。 これらのパラメータは、上流側全水頭 (Hu)、下流側水頭 (Hd)、堰高さ (W)、半径 (R)、サイクル数 (N)、堰頂部の形状 (CR) などのいくつかの要素に関連しています。 ）、うなじの衝突（Na）、進入流条件（AF）など４． 現在では、コストの増加、時間がかかること、人的エラーの発生などのいくつかの問題により、3D モデルやコンピュータ モデルが使用されるようになりました 6, 7。手作業による計算には人的エラーが含まれる可能性があるため、新しいインテリジェントな計算を使用する必要があります。メタヒューリスティックアルゴリズム、人工ニューラルネットワーク、ファジーロジックなどの手法。迷宮堰の Cd の調査において、研究者によっていくつかの研究が行われてきました8、9、10、11、12、13、14、15。 研究者らは、いくつかの構造上の制限（構造の寸法や堰の角度など）を考慮し、線形回帰法や非線形回帰法などの古典的な計算手法を使用して、堰の Cd を決定しました。

Azamathulla と Wu16 は、サポート ベクター マシン (SVM) を使用して、自然の河川の長手方向の分散係数を正確に推定しました。 現実世界のデータセットでのテストにより、SVM アルゴリズムが有望な結果を生み出すことが証明されました。 別の研究では、Azamathulla et al.17 が側堰の Cd を推定するための SVM を提案しました。 実験結果は、対応する適応ニューロファジィ推論システム (AFIS) や人工ニューラル ネットワーク (ANN) と比較して、SVM の優位性を証明しました。 Bilhan et al.18 は、サポート ベクトル回帰 (SVR) と外れ値の堅牢な極限学習マシンを使用して、迷路堰の Cd を推定しました。 結果は、機械学習手法が Cd 値をより正確に推定することを示しました。 Safarrazavizadeh ら 19 は、半円形および正弦波計画を使用して、迷路堰上の流れの実験室調査を実施しました。 観察の結果、半円形および正弦波状のプランを持つ迷路堰の流量係数は、直線堰とは異なり、低水負荷（HT/P < 0.35）では上昇傾向にあり、最大値に達すると減少することが示されました。 Bonakdari ら 20 は、Cd を推定するための遺伝子発現プログラミング (GEP) 法の有効性を調査しました。 結果は、GEP メソッドが Cd の予測においてより良い結果を提供することを示しています。 Shafiei et al.21 は、ANFIS-firefly アルゴリズム (ANFIS-FFA) 法を使用して、三角迷路堰の Cd を推定しました。 結果は、ANFIS-FFA モデルが三角迷路堰の Cd の予測においてより正確であることを示しました。 Emami et al.8 は、改良された自己適応微分進化アルゴリズムとサポート ベクトル回帰 (ISaDE-SVR) 法を使用して、W プランフォーム迷路堰の Cd を推定しました。 ISaDE-SVR は W 平面堰の Cd 推定に非常に有効です。 Norouzi et al.22 は、自己適応ロバスト学習機械 (SAELM) モデルを使用して Cd をシミュレートしました。 結果は、SAELM モデルが Cd を高精度に推定することを示しました。 Wang et al.23 は、三角迷路堰の Cd を予測する際の遺伝的アルゴリズム (GA)、粒子群最適化 (PSO)、および従来の BP ニューラル ネットワークの適用を調査しました。 結果は、GA-BPNN および PSO-BPNN 法が Cd の予測において高い効率を持っていることを示しました。 Chen ら 24 は、流線型堰の Cd を予測する際に、SVM、ランダム フォレスト (RF)、線形回帰、SVM、k 最近傍 (KNN)、および決定木 (DT) を使用しました。 Ahmad et al.25 は、ANN モデルを使用して、円弧状の迷路側堰の Cd を予測しました。 結果は、ANN によって計算された Cd がより正確であることを示しました。 Emami et al.26 は、Walnut アルゴリズムと SVR 法を使用して、三角迷路堰の Cd を予測しました。 Safari ら 27 は、ANN、GEP、および回帰モデルを評価して、幅広堰の Cd を推定しました。 結果は、ANN が GEP モデルや回帰モデルよりも Cd をより正確に推定していることを示しました。