当前世界环境GY.dF4y2Ba

介绍GY.dF4y2Ba

侧堰是水工建筑物中的一种，用于水的输送系统、灌溉网络、排水系统、地表水收集系统、下水道和废水排放管道，以及水和污水处理厂。分流河流和渠道的剩余流量是侧堰的其他应用之一。此外，它们还经常广泛地用于河流或渠道的特定蓄水。堰中的流动是一种空间变化的流动(Borghei, 2011)。空间变流是指水流强度沿水流方向在河道中增大或减小的一种永久流。当水流为空间变化的水流时，随着流量的减小，其沿路径减小，基本上是一种改道水流(DeMarchi G, 1934)。迷宫堰和普通侧堰属于不同类型的堰。迷宫堰以螺旋的方式建造，因此与普通堰相比，它们将创造一个更大的坝顶长度。与具有相似水头和相似侧空间的正常堰相比，这增加了通过流量。迷宫侧堰作为一种结构，可以更好地在较大的容器中溢出水流，它允许溢出阈值增加时，水在其最大水平。 Labyrinth weirs could be sharp- crested and broad- crested and normal weirs are built in varied shapes such as rectangle, triangle, trapezium, circle, and … (Kumar et al., 2011; Wormleaton and Tang, 2002; Emiroglu and Baylar, 2005).

Demarchi（1934）解决了在1934年的第一次在1934年首次卸下空间变化的流量的动态方程，当摩擦力沿着堰沿堰恒定的前提时，矩形水平通道。Subramanya和Awasthy（1972）研究了空间变化流动的一般微分方程，随着水平矩形通道的降低，通过在亚临界和超临界流程上进行一系列实验，呈现了许多用于锐利侧堰的放电系数的等式。．它们还测量了速度曲线并证明矩形侧堰将对堰附近的速度分布产生显着影响。GY.dF4y2Ba

考虑到工程问题的复杂性和越来越多的工程研究，近年来，近十年来的新方法显着使用了求解复杂和困难的工程问题的更有效和更准确。Emiroglu等人。（2009）通过使用（ANFIS）模糊神经网络，能够通过使用（ANFIS）来获得三角堰的放电系数。放电系数取决于主通道的几何参数和它们在它们所呈现的模型中的堰。Kisi等人。（2012）通过使用神经网络（ANN），能够通过三角堰获得排放。上游堰FRoude号码，堰长度，主沟道宽度，堰高，三角堰的顶点的角度，上游水高度是影响他们研究中放电系数的参数。GY.dF4y2Ba

Bilhan et al.(2010)开发了神经网络(ANN)方法，通过其他神经网络模型得到矩形堰的流量系数。这些模型包括:FFNN和RBNN模型。Dursun et al.(2012)对椭圆堰进行了研究，得到了椭圆堰流量系数的方程。他们在考试中使用了(ANFIS)模糊神经网络，并与其他方法的结果进行了比较。GY.dF4y2Ba

多层神经网络(ANN-MLP)是近年来应用于水利工程的方法之一。这种方法的好处之一是可以指出的是它在分析复杂流的理想性能(Kisi, 2008;Bonakdari et al.， 2011;Baghalian et al.， 2012;Donmez, 2011;怀等人，2013)。GY.dF4y2Ba

本研究的主要目的是通过使用MLP方法来预测放电系数。利用敏感性分析，首先通过使用敏感性分析来确定影响放电系数测定的因素，以满足本研究的目的。然后考虑六种模型，考虑这些无量纲参数中的每一个。然后通过训练和测试每个呈现的模型来测试放电系数。RMSE，MAPE和RGY.dF4y2Ba^2GY.dF4y2Ba最终使用统计参数来比较六种上述模型。最佳和最有效的参数在预测放电系数时将在最后引入。GY.dF4y2Ba

实验模型（Kumar等，（2011）GY.dF4y2Ba

本研究使用Kumar et al，(2011)的实验数据估算流量系数。试验采用长12 m、宽0.28 m、高0.41 m的水平矩形通道。所用的堰是一个三角形，距离河道入口11米。通过精度为±0.1 mm的点位计测量过坝顶的水位。为了在堰边产生水流，使用了空调坑。采用网络墙和防浪器消除顶点和水面扰动。表1显示了本研究使用的参数。GY.dF4y2Ba

图1:GY.dF4y2Ba本研究使用的实验通道方案(Kumar et al， (2011))GY.dF4y2Ba 点击这里查看图GY.dF4y2Ba

表1:用于估计平均流量系数的参数(Kumar et al, 2011)GY.dF4y2Ba

多层神经网络GY.dF4y2Ba

多层神经网络被认为是软计算方法之一。可以指出，该方法的优点之一是在分析复杂流时具有理想的性能。该方法还可以研究电流的非线性模型。该方法的过程基础是培训和学习过程。人工神经网络（ANN）结构的组成部分包括：隐层、隐单元和隐神经元、输入层、输出层（Yang和Chang，2005；史密斯，1993年）。GY.dF4y2Ba

人工神经网络（ANN）的灵活结构使得能够在输入和输出数据之间建模复杂和非线性模式。估计准确结果的能力是通过在培训和学习过程的基础上使用输入数据来完成的。通过训练神经网络是什么意思是获得网络的权重（W）。还基于获取权重以及使用的传递函数的方法来进行分类不同类型的ANN。经常使用的各种类型的神经网络之一是多层erceptron（MLP）。MLP馈送向前包括输入层，一个或多个隐藏层和输出层（图2）。每层由许多神经元组成，输入和输出层中的神经元数分别等于本研究问题的输入和输出的数量。各种类型的函数可以被认为是S形函数，双曲线切线被用作本研究隐藏层中的激活功能。Levenberg-Marquardt方法用于培训ANN（Melesse等，2011; Van Maanen等，2010）。在该方法中使用了作为最有益的算法之一的反向传播算法，以确定神经网络的权重和偏置。 This algorithm minimizes the difference between the observed outputs from the experimental studies and the ANN model outputs very quickly through determining weights and bias.

图2:ANN-MLP的总图GY.dF4y2Ba 点击这里查看图GY.dF4y2Ba

本研究中的Matlab编程语言编写了Ann-Multijayer Perceptron（MLP）的建模和仿真。为了分析和解决具有两个隐藏层的神经网络，并且为了确定每层的现有神经元的数量，使用试验和误差方法。分析的输出层的功能和等式是线性的，（Bilgil和Altun，2008; Asadi等，2013; Bilhan等，2011）。GY.dF4y2Ba

试验和误差方法的工作方式是，采取各种运行以确定神经网络层的神经元的数量，以防神经元的数量不等于第一层和第二层，然后是RMSE分别为每个每个确定错误，并且将选择具有最少误差量的状态作为建模ANN的基础。这些参数（型号1-6）被放置在神经网络的第一层作为输入参数。神经网络将通过以下阶段中的中间层内的许多这些参数培训，以便它们可以获得它们的最佳结构和在达到已经确定的停止点之后，培训过程将停止。如前所述，结构化神经网络的目的是估计放电系数。GY.dF4y2Ba

方法GY.dF4y2Ba

通过对放电系数的研究，一般可以得出相关的CGY.dF4y2Ba_dGY.dF4y2Ba参数是依赖于水堰背后的通道宽度比(h / b),堰口长度比背后的水高堰(L / h),堰口高度之比(L / w)堰高度,近似弗劳德数(F = V /√(gy)),和顶点角(θ)独立的无量纲参数。因此，利用本文提出的无量纲参数，这六个模型可以表示为:可以看出，模型1包含了所有提出的无量纲参数，模型2到模型5检验了不考虑每一个提出的无量纲参数的影响。GY.dF4y2Ba

为了验证估计模型的准确性，在模型开发的每一步，对每个模型的MLP分析结果都基于决定系数准则(RGY.dF4y2Ba^2GY.dF4y2Ba)，均方根误差（RMSE），平均绝对百分比误差（MAPE），定义如下。GY.dF4y2Ba

哪里有CdGY.dF4y2Ba_{EXpiGY.dF4y2Ba}和CdGY.dF4y2Ba_{MLPiGY.dF4y2Ba}表示实验和MLP建模的放电系数值和/ CDGY.dF4y2Ba_{EXpiGY.dF4y2Ba}和/ CD.GY.dF4y2Ba_{MLPiGY.dF4y2Ba}表示平均实验和MLP建模的放电系数值。索引r的值越接近GY.dF4y2Ba^2GY.dF4y2Ba对于1，它显示估计值与实际值更加兼容。从确定系数实现的结果（RGY.dF4y2Ba^2GY.dF4y2Ba已经在真实和相应值之间的线性依赖性的关系模拟（对于当前情况，实验和MLP建模的放电系数值）并且它们对偏离点敏感，因此在评估结果时，我们不能足够了索引（Karimi等人2015）。因此，像平均绝对百分比误差（MAPE）这样的其他统计指标 - 这表明了实际值百分比的百分比和估计模型之间的差异 - 以及通过为差异提供电量来考虑更大误差的重量在实际和估计值之间 - 是为了估计模型的函数。MAPE和RMSE索引都能够包含零值（最佳模式）和无穷大（最差值）。GY.dF4y2Ba

检查结果GY.dF4y2Ba

本节线中心中的所有等式通过使用Kumar等人呈现的实验数据呈现出放电系数。（2011）和每个所呈现的模型的MLP方法，其考虑了对预测放电系数的不同因素。图3示出了从MLP模型获得的放电系数与不同模型的训练状态中的实验数据之间的相关分析。GY.dF4y2Ba

从图中可以看出，6个模型都训练得很好，两种网络在用R预测流量系数方面的性能都是令人满意的GY.dF4y2Ba^2GY.dF4y2Ba变量接近1。但模型1和模型4相比其他R值最高的模型表现出相对较好的结果GY.dF4y2Ba^2GY.dF4y2Ba分别为0.9953和0.9946的值。还可以看出，这些模型预测的值与几乎大多数州的实验结果相对相似。在将影响参数视为模型4的状态下，预测流量系数的过程不同，预测值预测结果小于或大于不同点的实际值，但可以看出，该模型给出的结果相当准确，其相对误差约为0.67%。GY.dF4y2Ba

图3：将估计的放电系数与实验结果进行比较训练状态GY.dF4y2Ba 点击这里查看图GY.dF4y2Ba

图3表明,模型1提供了更好的结果相比,其余的模型(模型2、3、5、6),它可以看到预测流量系数的过程在这个模型中几乎是类似于模型4以这样一种方式的最大相对误差在这个模型预测近0.82%。因此可以看出，不考虑坝顶高度与坝后水位比值(L/h)对流量系数预测过程没有显著影响。模型3中大部分流量系数的预测结果都大于实际值。这样，该模型预测的值在某些点上的相对误差约为1.19%。因此，根据上述解释，可以认为不考虑弗劳德数(F)参数对流量系数的预测结果有很大影响。与模型3一样，模型5也不能以可接受的精度预测结果。该模型除了预测出与实际值相比较大的结果，如模型3，该模型预测的一些值在某些点上小于实际值。对于这些预测相对误差较大的情况，可以认为在预测流量系数时不考虑坝顶长度与堰长比(L/w)会降低预测精度。模型6以可接受的精度预测流量系数，其相对误差约为0.84%。模型2对结果的预测也不准确，某些点的相对误差接近1.12%。 Figure 4 shown the relative error presented by each of the models in predicting discharge coefficient. Carefully examining this Figure could lead to the conclusion that, model 4 has the best performance in predicting discharge coefficient of the weir flow.

图4:六种不同模型的最高误差GY.dF4y2Ba 点击这里查看图GY.dF4y2Ba

因此，根据上述解释，可以得出堰高与河道宽度之比(h/b)、坝顶长度与堰高之比(L/W)、而近似弗劳德数(F=V/√(gy))参数在预测流量系数中有重要作用，不考虑每个参数会显著降低模型的预测精度。除上述参数外，顶角(θ)对流量系数也有一定的预测作用。但从模型2和模型3可以看出，考虑该参数的mot对预测流量系数没有显著影响，且与考虑该参数时相比，相对误差增大。对于不同模型预测流量系数的解释，表2给出了各模型在训练状态下使用不同统计指标的定量预测结果。GY.dF4y2Ba

表2：统计指标-（列车）GY.dF4y2Ba

MAPE索引是第一个索引，用于检查所提出的模型的准确性。MAPE显示预测值与实际值之间的不同，作为实际变量的百分比。可以看出，最差的MAPE值由模型3呈现，差约为1.19％。还可以看出，此参数的值对任何模型都不伟大。根据表二，模型4具有最小的MAPE值，差不多为0.67％，并且与该索引的其余模型相比，它具有更好的结果。表达root均衡错误的RMSE索引也已用于定量检查模型。该索引通过预测和实际值之间的不同指数来考虑大错误的重量。对于与其他模型相比，可以看出RMSE值的表格值最少的表格。在本节中使用模型预测中未使用的数据以检查所提出的模型的准确性。表3中呈现的统计指标用于检查测试状态中每个模型的精度。GY.dF4y2Ba

表3:统计指标-(测试)GY.dF4y2Ba

不同模型在测试阶段的MAPE值也比较好，该指标最大值约为1.62%。在此状态下，模型4的MAPE值也最小，为1.14%。考虑误差均方根的RMSE值通过对较大误差考虑较大的权重来表示模型的精度。该指标越接近于零，模型就越准确，可以看出模型4在两种状态下该指标的值都比其他模型好。模型1和模型4对流量系数的预测相当好，将考虑所提出的解释，但如果我们想选择一个模型，可以说明模型4的结果更好。GY.dF4y2Ba

结论GY.dF4y2Ba

有各种各样的方法，例如使用堰来控制洪水。堰可沿渠道长度或作为侧堰位于侧面。堰顶长度与堰后水位之比、堰顶长度与堰高之比、堰后水位与渠道宽度之比、近似弗劳德数，本研究使用顶点角无量纲参数来预测沿渠道长度的堰的流量系数。通过考虑所提出的无量纲参数以及不同模型对不使用每个不同无量纲参数的敏感性分析，提出了六个模型。检查表明，当使用除堰顶长度至堰后水位高度（模型4）以外的所有无量纲参数预测流量系数时，与其他状态相比，我们将获得最佳结果。虽然模型6没有考虑堰堰后的水深对航道宽度的影响，但与模型4相比，也取得了良好的结果。所选模型（模型4）在模型的训练阶段显示流量系数，误差百分比等于0.67%，R2等于0.9946，其中其水力参数在预测模型时不起作用。GY.dF4y2Ba

命名法GY.dF4y2Ba

b通道宽度(m)GY.dF4y2Ba
CGY.dF4y2Ba_dGY.dF4y2Ba流量系数GY.dF4y2Ba
主河道流速GY.dF4y2Ba
韦尔的水高度GY.dF4y2Ba
G由于重力而加速（M / sGY.dF4y2Ba^2GY.dF4y2Ba）GY.dF4y2Ba
L水顶长度(m)GY.dF4y2Ba
w波峰高度（m）GY.dF4y2Ba
Ï´顶角(rad)GY.dF4y2Ba
y头在堰（m）的嵴上GY.dF4y2Ba

参考GY.dF4y2Ba

1. 基于人工神经网络的降雨-径流过程建模。GY.dF4y2Ba神经古脑GY.dF4y2Ba，121：470-480（2013）。GY.dF4y2Ba
2. 与实验、数值分析和人工神经网络相比，曲线通道流场的闭型解。GY.dF4y2Ba计算流体力学的工程应用GY.dF4y2Ba，6（4）：514-526（2012）。GY.dF4y2Ba
3. 利用人工神经网络对光滑明渠流动阻力的研究。GY.dF4y2Ba流量测量和仪表GY.dF4y2Ba19:404 - 408(2008)。GY.dF4y2Ba
4. Bilhan，O. Emiroglu，M. E.和O. Kisi。人工神经网络用于弯曲通道中三角迷宫侧堰放电系数的预测。GY.dF4y2Ba工程软件的进展，GY.dF4y2Ba42(4): 208-214(2011).GY.dF4y2Ba
5. Bilhan，O. Emiroglu，M. E.和Kisi，O.在位于直通道上的矩形侧堰的横向放电应用两种不同的神经网络技术。GY.dF4y2Ba工程软件的进展GY.dF4y2Ba41(6): 831 - 837(2010)。GY.dF4y2Ba
6. BONAKDARI，H.BAGHILAL，S. NAZARI，F.和FAZTI，M.使用人工神经网络和遗传算法的曲面开放通道速度场的数值分析与预测。GY.dF4y2Ba计算流体力学的工程应用GY.dF4y2Ba，5（3）：384-396（2011）。GY.dF4y2Ba
7. 博吉，S。M和Parvaneh，亚临界流中改进斜侧堰的流量特性。GY.dF4y2Ba流量测量与仪表学报GY.dF4y2Ba22(5): 370 - 376(2011)。GY.dF4y2Ba
8. De Marchi，G.（1934），Saggio diTeoria di Fuzionamente degli Stra-Mazzi Lantali。GY.dF4y2BaL 'Energia Elettrica MillanoGY.dF4y2Ba，意大利，11（1）：849-863（2011）。GY.dF4y2Ba
9. 基于人工神经网络的明渠流矩形河道交替深度预测。GY.dF4y2Ba能源教育科学与技术部分：能源科学与研究GY.dF4y2Ba, 28(1): 339-348(2011).GY.dF4y2Ba
10. 利用ANFIS估算半椭圆边堰流量系数。GY.dF4y2Ba水文杂志GY.dF4y2Ba, 426(3): 55 - 62(2012)。GY.dF4y2Ba
11. 基于自适应神经模糊技术的侧堰泄流能力预测。GY.dF4y2Ba工程软件的进展GY.dF4y2Ba，41（2）：154-160（2009）。GY.dF4y2Ba
12. Emiroglu, M. E. Kaya N.和Agaccioglu, H.位于直道上的迷宫式侧堰的泄流能力。GY.dF4y2Ba灌溉与排水工程杂志GY.dF4y2Ba, 136(1): 37-46(2010).GY.dF4y2Ba
13. 刘志刚，刘志刚，刘志刚，等。三角形平面迷宫堰的夹角和坡面对引气的影响。GY.dF4y2Ba水利工程学报GY.dF4y2Ba，131（3）：184-9（2005）。GY.dF4y2Ba
14. 陈卫国，陈卫国，曾勇。基于人工神经网络的复合明渠视剪应力预测。GY.dF4y2Ba水文信息学杂志GY.dF4y2Ba15(1): 138 - 146(2013)。GY.dF4y2Ba
15. Karimi，S. Bonakdari，H.和Golemi，A.数值检查流量计在流速测量精度摄入量的进气中的效果。GY.dF4y2Ba环境公报，药理学和生命科学GY.dF4y2Ba, 4(7):10-27(2015).GY.dF4y2Ba
16. 基西，O.河流流量预测和利用不同人工神经网络技术的估算。GY.dF4y2Ba水文研究GY.dF4y2Ba39(1): 27-40(2008)。GY.dF4y2Ba
17. Kisi，O. Emiroglu，M. E.Bilhan，O.和Guven，A。使用软计算方法在亚临界条件下的三角迷宫侧堰上横向放电的预测。GY.dF4y2Ba具有应用的专家系统GY.dF4y2Ba39(3): 3454 - 3460(2012)。GY.dF4y2Ba
18. 库马尔，S。艾哈迈德，Z。曼苏尔，T。一种提高尖顶三角形平面堰泄流能力的新方法。GY.dF4y2Ba流量测量与仪表学报GY.dF4y2Ba, 22(3): 175–180(2011).GY.dF4y2Ba
19. 王小龙，王小龙，王小龙。基于人工神经网络的河流系统悬沙负荷预测方法研究。GY.dF4y2Ba农业用水管理GY.dF4y2Ba，98（5）：855-866（2011）。GY.dF4y2Ba
20. 统计建模的神经网络，(汤姆森学习，1993)。GY.dF4y2Ba
21. Subramanya, K.和Awasthy, S.C.在侧堰的空间变化的流动。GY.dF4y2Ba液压部杂志GY.dF4y2Ba, 98(1): 1-13(1972).GY.dF4y2Ba
22. Van Maanen，B. Coco，G. Bryan，K. R.和Ruestink，B.G。G.使用人工神经网络来分析和预测沿岸沉积物运输。GY.dF4y2Ba地球物理学中的非线性过程GY.dF4y2Ba, 17(5): 395-404(2010).GY.dF4y2Ba
23. 陈志强，陈志强。矩形平板迷宫堰的曝气性能研究。GY.dF4y2Ba环境工程学报GY.dF4y2Ba，126（5）：456-65（2000）。GY.dF4y2Ba
24. 杨洪昌，张福杰。基于人工神经网络的明渠水流建模。GY.dF4y2Ba水文过程GY.dF4y2Ba19(18): 3747 - 3762(2005)。GY.dF4y2Ba