线性回归与深度卷积门控循环单元耦合的流线型堰流量系数精确预测
机器学习
2022-04-13 v1
摘要
流线型堰作为一种仿自然类型的堰，因具有高流量系数的既定性能而受到水力工程师的极大关注。计算流体动力学（CFD）被认为是预测流量系数的稳健工具。为规避基于 CFD 评估的计算成本，本研究提出数据驱动建模技术，作为 CFD 模拟的替代，基于实验数据集预测流量系数。为此，在使用 k 折交叉验证技术划分数据集后，对经典与混合机器学习深度学习（ML DL）算法进行性能评估。在 ML 技术中，研究了线性回归（LR）、随机森林（RF）、支持向量机（SVM）、k 近邻（KNN）与决策树（DT）算法。在 DL 方面，长短期记忆（LSTM）、卷积神经网络（CNN）与门控循环单元（GRU）及其混合形式如 LSTM GRU、CNN LSTM 与 CNN GRU 技术，使用不同误差度量进行比较。发现所提由卷积层与后续两级 GRU 耦合构成的三层层次化 DL 算法，并与 LR 方法混合，可得到更低的误差度量。本文为流线型堰的数据驱动建模铺平了道路。
引用
@article{arxiv.2204.05476,
title = {Accurate Discharge Coefficient Prediction of Streamlined Weirs by Coupling Linear Regression and Deep Convolutional Gated Recurrent Unit},
author = {Weibin Chen and Danial Sharifrazi and Guoxi Liang and Shahab S. Band and Kwok Wing Chau and Amir Mosavi},
journal= {arXiv preprint arXiv:2204.05476},
year = {2022}
}
备注
28 pages, 7 figures