Ứng dụng các thuật toán học máy xác định độ sâu sau nước nhảy trong kênh chữ nhật có xét đến ảnh hưởng của lực ma sát
Email:
hohung.thuyluc@tlu.edu.vn
Từ khóa:
nước nhảy, độ sâu, học máy, mô hình, Froude
Tóm tắt
Độ sâu sau nước nhảy là một yếu tố quan trọng, ảnh hưởng rất lớn đến độ sâu và chiều dài của bể tiêu năng. Việc tính toán chính xác độ sâu này là rất cần thiết và có ý nghĩa thực tiễn cao. Do đó, nghiên cứu này đã thiết lập và đánh giá khả năng dự báo độ sâu sau nước nhảy của sáu mô hình học máy (ML), gồm có: Rừng cây ngẫu nhiên (Random Forest - RT), Tăng cường thích ứng (Adaptive Boosting – Ada), Tăng cường tốc độ (Cat Boosting – CB), Tăng cường độ dốc (Gradient Boosting - GB), Cây bổ sung (Extra Trees - ET) và Máy Vector hỗ trợ (Support Vector Machine – SVM). Trong nghiên cứu này, định lý π-Buckingham đã được sử dụng để tìm năm tham số không thứ nguyên làm đầu vào và đầu ra của mô hình. Kết quả nghiên cứu cho thấy, các mô hình ET, GB, SVR, Ada có xét đến ảnh hưởng của độ nhám và chiều rộng lòng dẫn, tính nhớt của chất lỏng, có sai số nhỏ hơn so với công thức Belanger (bỏ qua lực ma sát) và các công thức kinh nghiệm khác. Khi kiểm định, các mô hình này đều có hệ số Nash đạt trên 0,996. Mô hình ET cho kết quả tốt nhất, sau đó là GB, SVR, Ada, RF, CB, theo thứ tự giảm dần. Như vậy, có thể áp dụng mô hình ET để tính toán độ sâu sau nước nhảy trong kênh lăng trụ đáy bằng, mặt cắt chữ nhậtTài liệu tham khảo
[1]. WH. Hager, Energy Dissipators and Hydraulic Jump, Kluwer Academic Publishers, Water Science and Technology Library, 8 (1992). https://link.springer.com/book/10.1007/978-94-015-8048-9
[2]. WH. Hager, Hydraulic jump, Energy dissipators, (1995) 60. https://doi.org/10.1201/9780203757512-4
[3]. AJ. Peterka, Hydraulic Design of Stilling Basins and Energy Dissipators, Monogr E, Ed A water Resour Tech Publ USBR, (1984) 240. https://ntrl.ntis.gov/NTRL/dashboard/searchResults/titleDetail/PB95139457.xhtml
[4]. K. V. N. Sarma ; D. A. Newnham, Surface profiles of hydraulic jump for Froude numbers less than four, Water Power, 25 (1973) 139-142.
[5]. N. V. Bretz, Hydraulic Jump Forced by Sill, Ecole Polytechnique Fédérale de Lausanne, 1988.
[6]. HE. Schulz , JD. Nóbrega, ALA. Simões, H. Schulz, Details of Hydraulic Jumps for Design Criteria of Hydraulic Structures, Hydrodyn - Concepts Exp, (2015). https://doi.org/10.5772/58963
[7]. WH. Hager, R. Bremen, Sequent depths: Le ressaut hydraulique classique: étude des hauteurs conjuguées, J Hydraul Res, 27 (1989) 565-585. https://doi.org/10.1080/00221688909499111
[8]. H. V. Ho, D. H. Nguyen, X. H. Le , G. Lee, Multi-step-ahead water level forecasting for operating sluice gates in Hai Duong, Vietnam, Environ Monit Assess, 194 (2022)1-27. https://doi.org/10.1007/s10661-022-10115-7
[9]. P. N. Huynh, Development of an artificial neural network based-prediction model for bond strength of FRB bars in concrete, Transport Communications Science Journal, 75 (2024)1502-1517. https://doi.org/10.47869/tcsj.75.4.3
[10]. M. Naseri , F. Othman, Determination of the length of hydraulic jumps using artificial neural networks, Adv Eng Softw, 48 (2012) 27-31. https://doi.org/10.1016/j.advengsoft.2012.01.003
[11]. SL. Brunton , BR. Noack, P. Koumoutsakos, Machine Learning for Fluid Mechanics, Annu Rev Fluid Mech, 52 (2020) 477-508. https://doi.org/10.1146/annurev-fluid-010719-060214
[12]. S. Baharvand , A. Jozaghi, R. Fatahi-Alkouhi, S. Karimzadeh , R. Nasiri , B. Lashkar-Ara, Comparative Study on the Machine Learning and Regression-Based Approaches to Predict the Hydraulic Jump Sequent Depth Ratio, Iran J Sci Technol - Trans Civ Eng, 45 (2021) 2719-2732.
[13]. K. Kenda , J. Peternelj , N. Mellios , D. Kofinas, M. Čerin, J. Rožanec, Usage of statistical modeling techniques in surface and groundwater level prediction, J Water Supply Res Technol - AQUA, 69 (2020) 248-265. https://doi.org/10.2166/aqua.2020.143
[14]. O. Kisi, P. Khosravinia, MR. Nikpour , H. Sanikhani, Hydrodynamics of river-channel confluence: toward modeling separation zone using GEP, MARS, M5 Tree and DENFIS techniques, Stoch Environ Res Risk Assess, 33 (2019)1089-1107.
[15]. H.V. Ho, Determination of the surface roller length of hydraulic jumps in horizontal rectangular channels using the machine learning method. Stoch Environ Res Risk Assess, 38 (2024) 2539-2562. https://doi.org/10.1007/s00477-024-02697-0
[16]. Lê Phước Cường, Ứng dụng mô hình học máy dự báo chất lượng nước dưới đất: điển hình tại khu vực thành phố Hội An, tỉnh Quảng Nam, Tạp chí khoa học và công nghệ - Đại học Đà Nẵng, 20 (2022) 106-110.
[17]. Lê Văn Nghị, Ứng dụng thuật toán SVM dự báo chiều dài nước nhảy trên kênh hình thang cân. Tạp chí khoa học và công nghệ thủy lợi, (2023) 43-49.
[18]. H.V. Hùng, Ứng dụng phương pháp học máy tính toán chiều dài nước nhảy trong kênh lăng trụ mặt cắt hình chữ nhật, Tạp chí khoa học và công nghệ thủy lợi, 84 (2024)76-86.
[19]. W.H. Hager, R. Bremen , N. Kawagoshi, Length of rollerRessaut hydraulique classique: Longueur du rouleau, J Hydraul Res, 28 (1990) 591-608.
[20]. L. Breiman, Random forests, Mach Learn, 45 (2001) 5-32. https://doi.org/10.1023/A: 1010933404324
[21]. Y. Freund, RE. Schapire, A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting, J Comput Syst Sci, 139 (1997) 119-139. https://doi.org/10.1006/jcss.1997.1504
[22]. JH. Friedman, Greedy Funtion Approximation: A Gradien Boosting Machine, (1999). https://doi.org/10.1111/j.2517-6161.1996.tb02080.x
[23]. L. Prokhorenkova , G. Gusev, A. Vorobev, AV. Dorogush, A. Gulin, Catboost: Unbiased boosting with categorical features, Adv Neural Inf Process Syst, 2 (2018) 6638-6648.
[24]. P. Geurts, D. Ernst , L. Wehenkel, Extremely randomized trees, Mach Learn, 63 (2006) 3-42.
[25]. JE. Nash, J.V. Sutcliffe, River flow forecasting through conceptual models Part I - A discussion of principles, J Hydrol., 10 (1970) 282-290. https://doi.org/10.1016/0022-1694(70)90255-6
[2]. WH. Hager, Hydraulic jump, Energy dissipators, (1995) 60. https://doi.org/10.1201/9780203757512-4
[3]. AJ. Peterka, Hydraulic Design of Stilling Basins and Energy Dissipators, Monogr E, Ed A water Resour Tech Publ USBR, (1984) 240. https://ntrl.ntis.gov/NTRL/dashboard/searchResults/titleDetail/PB95139457.xhtml
[4]. K. V. N. Sarma ; D. A. Newnham, Surface profiles of hydraulic jump for Froude numbers less than four, Water Power, 25 (1973) 139-142.
[5]. N. V. Bretz, Hydraulic Jump Forced by Sill, Ecole Polytechnique Fédérale de Lausanne, 1988.
[6]. HE. Schulz , JD. Nóbrega, ALA. Simões, H. Schulz, Details of Hydraulic Jumps for Design Criteria of Hydraulic Structures, Hydrodyn - Concepts Exp, (2015). https://doi.org/10.5772/58963
[7]. WH. Hager, R. Bremen, Sequent depths: Le ressaut hydraulique classique: étude des hauteurs conjuguées, J Hydraul Res, 27 (1989) 565-585. https://doi.org/10.1080/00221688909499111
[8]. H. V. Ho, D. H. Nguyen, X. H. Le , G. Lee, Multi-step-ahead water level forecasting for operating sluice gates in Hai Duong, Vietnam, Environ Monit Assess, 194 (2022)1-27. https://doi.org/10.1007/s10661-022-10115-7
[9]. P. N. Huynh, Development of an artificial neural network based-prediction model for bond strength of FRB bars in concrete, Transport Communications Science Journal, 75 (2024)1502-1517. https://doi.org/10.47869/tcsj.75.4.3
[10]. M. Naseri , F. Othman, Determination of the length of hydraulic jumps using artificial neural networks, Adv Eng Softw, 48 (2012) 27-31. https://doi.org/10.1016/j.advengsoft.2012.01.003
[11]. SL. Brunton , BR. Noack, P. Koumoutsakos, Machine Learning for Fluid Mechanics, Annu Rev Fluid Mech, 52 (2020) 477-508. https://doi.org/10.1146/annurev-fluid-010719-060214
[12]. S. Baharvand , A. Jozaghi, R. Fatahi-Alkouhi, S. Karimzadeh , R. Nasiri , B. Lashkar-Ara, Comparative Study on the Machine Learning and Regression-Based Approaches to Predict the Hydraulic Jump Sequent Depth Ratio, Iran J Sci Technol - Trans Civ Eng, 45 (2021) 2719-2732.
[13]. K. Kenda , J. Peternelj , N. Mellios , D. Kofinas, M. Čerin, J. Rožanec, Usage of statistical modeling techniques in surface and groundwater level prediction, J Water Supply Res Technol - AQUA, 69 (2020) 248-265. https://doi.org/10.2166/aqua.2020.143
[14]. O. Kisi, P. Khosravinia, MR. Nikpour , H. Sanikhani, Hydrodynamics of river-channel confluence: toward modeling separation zone using GEP, MARS, M5 Tree and DENFIS techniques, Stoch Environ Res Risk Assess, 33 (2019)1089-1107.
[15]. H.V. Ho, Determination of the surface roller length of hydraulic jumps in horizontal rectangular channels using the machine learning method. Stoch Environ Res Risk Assess, 38 (2024) 2539-2562. https://doi.org/10.1007/s00477-024-02697-0
[16]. Lê Phước Cường, Ứng dụng mô hình học máy dự báo chất lượng nước dưới đất: điển hình tại khu vực thành phố Hội An, tỉnh Quảng Nam, Tạp chí khoa học và công nghệ - Đại học Đà Nẵng, 20 (2022) 106-110.
[17]. Lê Văn Nghị, Ứng dụng thuật toán SVM dự báo chiều dài nước nhảy trên kênh hình thang cân. Tạp chí khoa học và công nghệ thủy lợi, (2023) 43-49.
[18]. H.V. Hùng, Ứng dụng phương pháp học máy tính toán chiều dài nước nhảy trong kênh lăng trụ mặt cắt hình chữ nhật, Tạp chí khoa học và công nghệ thủy lợi, 84 (2024)76-86.
[19]. W.H. Hager, R. Bremen , N. Kawagoshi, Length of rollerRessaut hydraulique classique: Longueur du rouleau, J Hydraul Res, 28 (1990) 591-608.
[20]. L. Breiman, Random forests, Mach Learn, 45 (2001) 5-32. https://doi.org/10.1023/A: 1010933404324
[21]. Y. Freund, RE. Schapire, A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting, J Comput Syst Sci, 139 (1997) 119-139. https://doi.org/10.1006/jcss.1997.1504
[22]. JH. Friedman, Greedy Funtion Approximation: A Gradien Boosting Machine, (1999). https://doi.org/10.1111/j.2517-6161.1996.tb02080.x
[23]. L. Prokhorenkova , G. Gusev, A. Vorobev, AV. Dorogush, A. Gulin, Catboost: Unbiased boosting with categorical features, Adv Neural Inf Process Syst, 2 (2018) 6638-6648.
[24]. P. Geurts, D. Ernst , L. Wehenkel, Extremely randomized trees, Mach Learn, 63 (2006) 3-42.
[25]. JE. Nash, J.V. Sutcliffe, River flow forecasting through conceptual models Part I - A discussion of principles, J Hydrol., 10 (1970) 282-290. https://doi.org/10.1016/0022-1694(70)90255-6
Tải xuống
Chưa có dữ liệu thống kê
Nhận bài
21/11/2024
Nhận bài sửa
07/02/2025
Chấp nhận đăng
10/02/2025
Xuất bản
15/02/2025
Chuyên mục
Công trình khoa học
Kiểu trích dẫn
Hồ Việt, H. (2400). Ứng dụng các thuật toán học máy xác định độ sâu sau nước nhảy trong kênh chữ nhật có xét đến ảnh hưởng của lực ma sát. Tạp Chí Khoa Học Giao Thông Vận Tải, 76(2), 172-186. https://doi.org/10.47869/tcsj.76.2.5
Số lần xem tóm tắt
33
Số lần xem bài báo
16
