基于粒子群优化与可解释性分析的双三角对冲流滴头流态指数预测

《Irrigation and Drainage》：Prediction of the Flow Regime Index for Dual-Triangular Opposed-Flow Drip Emitters Based on Particle Swarm Optimization and Interpretability Analysis

　　

摘要

en此链接指向英文部分fr此链接指向法文部分

流量状态指数表征了发射器流量对压力变化的敏感程度。本研究开发了一种可解释的机器学习框架，用于预测流量状态指数。比较了支持向量回归（SVR）、反向传播（BP）神经网络和极限学习机（ELM）模型。利用五折交叉验证筛选核函数和激活函数，并使用粒子群优化（PSO）来优化模型超参数。采用R²、RMSE、MAE、MBE和CI评估模型性能。结果表明，PSO-BP₁表现最佳。根据内部验证结果选定的一个代表性PSO-BP₁模型，其R²、RMSE、MAE、MBE和CI分别为0.900、0.0010、0.00080、2.0×10^?5和1.6×10^?12。在外部验证中，PSO-BP₁和PSO-BP₂均达到RMSE为0.0010、MAE为0.00070的结果，为在所研究参数范围内的预测性能提供了初步证据。SHAP分析表明，持水组件间距（f）是影响最大的输入变量，其次是持水组件顶角（θ₂）；上壁间距（c）和分流组件顶角（θ₁）的贡献较小。θ₁与θ₂之间以及c与θ₂之间存在强相互作用。该框架支持快速筛选发射器，并量化几何参数的基于模型的贡献。

RESUME

en此链接指向英文部分fr此链接指向法文部分

流量状态指数表征发射器流量对压力变化的敏感度。本研究开发了一种可解释的机器学习框架来预测该指数。比较了支持向量回归（SVR）、反向传播（BP）神经网络和极限学习机（ELM）模型。利用五折交叉验证筛选核函数和激活函数，并使用粒子群优化（PSO）优化模型超参数。采用R²、RMSE、MAE、MBE和CI等指标评估性能。结果表明，PSO-BP₁模型的整体表现最佳。根据内部验证结果选定的一个代表性PSO-BP₁模型，其R²、RMSE、MAE、MBE和CI分别为0.900、0.0010、0.00080、2.0×10^?5和1.6×10^?12。在外部验证中，PSO-BP₁和PSO-BP₂均达到RMSE为0.0010、MAE为0.00070的结果，为在所研究参数范围内的预测性能提供了初步证据。SHAP分析表明，持水组件间距（f）是影响最大的输入变量，其次是持水组件顶角（θ₂）；上壁间距（c）和分流组件顶角（θ₁）的贡献较小。θ₁与θ₂之间以及c与θ₂之间存在强相互作用。该框架支持快速筛选发射器，并允许量化几何参数的基于模型的贡献。

利益冲突

作者声明不存在利益冲突。

数据可用性声明

支持本研究结果的数据可通过合理请求向通讯作者获取。