LXGB: 의사 배출 계수를 추정하기 위한 기계 학습 알고리즘

Scientific Reports 13권, 기사 번호: 12304(2023) 이 기사 인용

1036 액세스

1 알트메트릭

측정항목 세부정보

웨어의 효율성을 높이는 실용적이고 재정적인 해결책 중 하나는 계획의 기하학적 구조를 수정하고 웨어의 길이를 특정 폭으로 늘리는 것입니다. 이는 웨어의 배출 계수(Cd)를 증가시킵니다. 본 연구에서는 PCLW(pseudo-cosine labyrinth weir)라는 새로운 웨어가 도입되었습니다. PCLW의 Cd를 추정하기 위해 하이브리드 기계 학습 LXGB 알고리즘이 도입되었습니다. LXGB는 LSHADE(선형 모집단 크기 감소 기록 기반 적응형 차등 진화)와 XGB(Extreme Gradient Boosting) 알고리즘을 결합한 것입니다. PCLW 보의 배출계수를 추정하기 위해 7가지 서로 다른 입력 시나리오가 제시되었습니다. 제안된 방법을 훈련하고 테스트하기 위해 PCLW1 및 PCLW2 모델의 기하학적 및 유압 매개변수를 포함한 132개의 데이터 시리즈가 사용되었습니다. 제안된 접근법을 평가하기 위해 RMSE(제곱 평균 제곱근 오차), RRMSE(상대 평균 제곱 오차) 및 Nash-Sutcliffe 모델 효율성 계수(NSE) 지수를 사용했습니다. 그 결과, 입력변수는 웨어 높이에 대한 반경의 비(R/W), 웨어 높이에 대한 웨어 길이의 비(L/W), 웨어 높이에 대한 수두의 비율인 것으로 나타났다. RMSE = 0.009, RRMSE = 0.010, NSE = 0.977의 평균값을 갖는 웨어 높이(H/W)는 PCLW1 및 PCLW2 모델의 Cd를 추정하는 데 더 나은 결과를 제공했습니다. SAELM, ANFIS-FFA, GEP, ANN에 비해 R2 측면에서 2.06%, 3.09%, 1.03%, 5.15%의 개선이 이루어졌습니다. 일반적으로 PCLW 보의 Cd를 추정하는 가장 적합한 방법으로 지능형 하이브리드 접근법이 도입될 수 있습니다.

수력공학자들의 주요 관심사 중 하나는 이란의 제한된 수자원을 최적으로 관리하는 것입니다. 물 프로젝트에 대한 국가 투자가 지속적으로 증가함에 따라 국가 자본을 절약하기 위해 물 제어 및 관리 프로젝트가 최적화되었습니다1,2,3. 최근 몇 년 동안 수력공학자들은 채널에 측정 구조물을 구축하고 설치하여 적절한 정확도로 방전을 측정하려고 노력해 왔습니다. 많은 댐과 물 이동 수로의 일반적인 구조 중 하나는 미로보(labyrinth weir)로, 이는 배수, 측정 및 수위 제어에 사용됩니다4, 5 이러한 유형의 웨어는 최근 주목을 받고 있는 가장 실용적인 표면 구조 중 하나입니다. 다양한 연구자들의. 긴 크라운을 가진 유사 코사인 미로 웨어(PCLW)는 다른 웨어에 비해 수위 조절에 적합한 성능을 가지고 있습니다. 다양한 계획을 가진 미로보의 Cd를 결정하는 데에는 수많은 매개변수가 효과적입니다. 이러한 매개변수는 상류 총 수압수두(Hu), 하류 수력수두(Hd), 웨어 높이(W), 반경(R), 사이클 수(N), 웨어 꼭대기 모양(CR)을 포함한 여러 요인과 관련됩니다. ), 목덜미의 충돌(Na), 접근유동조건(AF) 등4. 최근에는 비용 증가, 시간 소모, 인적 오류 발생 등 여러 문제로 인해 3D 및 컴퓨터 모델이 사용되었습니다6, 7. 수동 계산에는 인적 오류가 포함될 수 있으므로 새로운 지능형 기술을 활용하는 것이 필요합니다. 메타 휴리스틱 알고리즘, 인공 신경망, 퍼지 논리 등과 같은 방법. 미로 위어의 Cd 조사에서 연구자에 의해 여러 연구가 수행되었습니다8,9,10,11,12,13,14,15. 일부 구조적 한계(예: 구조 치수 및 웨어 각도)를 고려하고 선형 및 비선형 회귀 방법과 같은 고전적인 계산 방법을 사용하여 연구자들은 웨어의 Cd를 결정했습니다.

Azamathulla와 Wu16은 SVM(지원 벡터 머신)을 사용하여 자연 강의 종방향 분산 계수를 정확하게 추정했습니다. 실제 데이터 세트에 대한 테스트를 통해 SVM 알고리즘은 고무적인 결과를 생성하는 것으로 입증되었습니다. 또 다른 연구에서 Azamathulla et al.17은 측면 웨어의 Cd를 추정하기 위해 SVM을 제안했습니다. 실험 결과는 대응하는 적응형 신경 퍼지 추론 시스템(ANFIS) 및 인공 신경망(ANN)과 비교하여 SVM의 우수성을 입증했습니다. Bilhan et al.18은 지원 벡터 회귀(SVR)와 이상치의 강력한 극한 학습 기계를 사용하여 미로 웨어의 Cd를 추정합니다. 결과는 기계 학습 방법이 Cd 값을 더 정확하게 추정한다는 것을 보여주었습니다. Safarrazavizadeh et al.19는 반원형 및 정현파 계획을 사용하여 미로 웨어의 흐름에 대한 실험실 조사를 수행했습니다. 관찰에 따르면 선형 웨어와 달리 반원형 및 정현파 계획을 갖는 미로 웨어의 방류 계수는 낮은 물 부하(HT/P < 0.35)에서 상승 경향을 가지며 최대값에 도달한 후에 감소하는 것으로 나타났습니다. Bonakdari et al.20은 Cd를 추정하기 위한 유전자 발현 프로그래밍(GEP) 방법의 효율성을 조사했습니다. 결과는 GEP 방법이 Cd 예측에 더 나은 결과를 제공한다는 것을 보여줍니다. Shafiei et al.21은 삼각형 미로 웨어의 Cd를 추정하기 위해 ANFIS-firefly 알고리즘(ANFIS-FFA) 방법을 사용했습니다. 결과는 ANFIS-FFA 모델이 삼각형 미로 웨어의 Cd 예측에 더 정확하다는 것을 보여주었습니다. Emami et al.8은 개선된 자가 적응 미분 진화 알고리즘과 지원 벡터 회귀(ISaDE-SVR) 방법을 사용하여 W 평면형 미로 보의 Cd를 추정했습니다. ISaDE-SVR은 W-플랜폼 웨어의 Cd를 추정하는 데 매우 효과적입니다. Norouzi et al.22는 SAELM(Self-Adaptive Strong Learning Machine) 모델을 사용하여 Cd를 시뮬레이션했습니다. 결과는 SAELM 모델이 높은 정확도로 Cd를 추정한 것으로 나타났습니다. Wang et al.23은 삼각형 미로 웨어의 Cd를 예측하는 데 있어 유전자 알고리즘(GA), 입자 떼 최적화(PSO) 및 전통적인 BP 신경망의 적용을 조사했습니다. 결과는 GA-BPNN 및 PSO-BPNN 방법이 Cd 예측에 높은 효율성을 갖는 것으로 나타났습니다. Chen et al.24은 유선형 웨어의 Cd를 예측하는데 SVM, Random Forest(RF), 선형 회귀, SVM, k-최근접 이웃(KNN) 및 결정 트리(DT)를 사용했습니다. Ahmad et al.25는 ANN 모델을 사용하여 호형 미로 측면 웨어의 Cd를 예측했습니다. 결과는 ANN에 의해 ​​계산된 Cd가 더 정확하다는 것을 나타냅니다. Emami et al.26은 삼각형 미로보의 Cd를 예측하기 위해 Walnut 알고리즘과 SVR 방법을 사용했습니다. Safari et al.27은 넓은 마루 웨어의 Cd를 추정하기 위해 ANN, GEP 및 회귀 모델을 평가했습니다. 결과는 ANN이 GEP 모델 및 회귀 모델보다 Cd를 더 잘 추정한다는 것을 보여주었습니다.