موسسه انتشارات دانشگاه تهران تحقیقات آب و خاک ایران 2008-479X 56 4 2025 06 22 Assessment of Machine Learning Algorithms for Discharge Coefficient Prediction in Labyrinth-glory weirs: A Risk Analysis Approach ارزیابی عملکرد مدل‌های یادگیری ماشین در سرریزهای نیلوفری زیگزاگی بر مبنای تحلیل ریسک 865 880 102612 10.22059/ijswr.2025.382994.669799 FA حجت الله صفیرزاده دانشجوی کارشناسی مدیریت ساخت، گروه مهندسی عمران ، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران. محمد حیدرنژاد 2- دانشیار گروه علوم و مهندسی آب، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران اصلان اگدرنژاد استادیار، گروه علوم و مهندسی آب، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران. Journal Article 2024 09 29 Morning glory spillways play a critical role in water flow management in dams and reservoirs, influenced significantly by the discharge coefficient. This coefficient determines the efficiency and risk of spillway performance under flood conditions. In this study, using 80 experimental datasets collected from two morning glory spillway inlet sections with square and circular zigzag shapes (featuring 4, 8, and 12 zigzags), two machine learning models—Support Vector Machine (SVM) and Gene Expression Programming (GEP)—were applied to simulate the discharge coefficient. Independent variables included the number of zigzags (n), Froude number (Fr), relative water head (H/P), and spillway shape index (R/D). Performance metrics (RMSE, MAE, R²) were employed to evaluate the accuracy of the models. Among various SVM models, the RBF kernel with γ = 0.1 yielded the most optimal results. The training and testing phases for the circular spillway showed (RMSE, MAE, R²) values of (0.9262, 0.0696, 0.0848) and (0.9820, 0.0346, 0.0398), respectively, while for the square spillway, these values were (0.9707, 0.073, 0.0904) and (0.9334, 0.0676, 0.0787). The GEP model demonstrated superior performance, particularly for the circular spillway with three genes, a head size of 9, and 45 chromosomes, yielding (RMSE, MAE, R²) values of (0.9778, 0.0375, 0.0451) and (0.9811, 0.0315, 0.0396) in the training and testing phases, respectively. For the square section, the GEP model with 55 chromosomes achieved (RMSE, MAE, R²) values of (0.9741, 0.0494, 0.0597) and (0.9591, 0.0503, 0.0594) for training and testing, respectively.   سرریزهای نیلوفری، با تأثیرپذیری از ضریب دبی، در مدیریت جریان آب در سدها و مخازن نقش حیاتی دارند. ضریب دبی تعیین‌کننده کارایی و ریسک عملکرد آن‌ها در شرایط سیلابی است. در این راستا به کمک 80 دادة آزمایشگاهی گردآوری شده از دو مقطع ورودی سرریز نیلوفری با شکل‌های مربعی و دایروی زیگزاگی شده با تعداد چهار، هشت و دوازده عدد، از دو مدل ماشین بردار پشتیبان (SVM) و برنامه‌ریزی بیان ژن (GEP) برای شبیه‌سازی ضریب دبی استفاده شده است. تعداد زیگزاگ‌ها (n)، عدد فرود (Fr)، بار آبی نسبی (H/P) و شاخص شکل سرریز (R/D) به عنوان متغیرهای مستقل به کار گرفته شدند. شاخص‌های ارزیابی عملکرد (RMSE, MAE, R²) برای سنجش دقت خروجی مدل‌ها استفاده شدند. در بررسی مدل‌های مختلف SVM، تابع کرنل RBF با مقدار γ برابر ۱/۰ بهینه‌ترین نتایج را ارائه داد. مقادیر (RMSE, MAE, R²) در دوره‌های آموزش و آزمون برای این مدل به ترتیب (۹۲۶۲/۰، ۰۶۹۶/۰، ۰۸۴۸/۰) و (۹۸۲۰/۰، ۰۳۴۶/۰، ۰۳۹۸/۰) برای سرریز دایروی و (۹۷۰۷/۰، ۰۷۳/۰، ۰۹۰۴/۰) و (۹۳۳۴/۰، ۰۶۷۶/۰، ۰۷۸۷/۰) برای مقطع مربعی به‌دست آمد. در مدل GEP نتایج بهتری مشاهده شد، به‌گونه‌ای که مدل با سه ژن، اندازه هد 9 و 45 کروموزوم، در سرریز دایروی با شاخص‌های (۹۷۷۸/۰، ۰۳۷۵/۰، ۰۴۵۱/۰) و (۹۸۱۱/۰، ۰۳۱۵/۰، ۰۳۹۶/۰) در مراحل آموزش و آزمون بهینه‌ترین عملکرد را داشت. برای مقطع مربعی، مدل با 55 کروموزوم به ترتیب با مقادیر (۰۹۷۴۱/۰، ۰۴۹۴/۰، ۰۵۹۷/۰) و (۹۵۹۱/۰، ۰۵۰۳/۰، ۰۵۹۴/۰) در مراحل آموزش و آزمون ارزیابی شد. https://ijswr.ut.ac.ir/article_102612_db00c88584d8407e66c7516db62de60a.pdf