پیش بینی و ارزیابی عمق آبشستگی در زیر خطوط لوله با استفاده از روش های پایه کرنلی برای جریان های یکنواخت

با عبور خطوط لوله از بستر رودخانه، دریا و اقیانوس‌ها باعث ایجاد تغییراتی در الگو جریان می‌شود. در نتیجه این تغییرات، تنش برشی بستر و آشفتگی جریان افزایش می‌یابد و خاک بستر زیر این خطوط را دچار آبشستگی کرده و گودال آبشستگی به‌وجود می‌آید. این گودال‌ها سبب می‌شوند که لوله تحت اثر نیروی وزن خود در معرض آسیب‌دیدگی و شکست باشد؛ که در صورت وقوع این اتفاق خسارات جبران‌ناپذیر محیط زیستی و مالی ایجاد می‌کند. از این رو بررسی عمق گودال آبشستگی و عوامل موثر در به‌وجود آمدن آن برای کاهش آبشستگی و خسارات ناشی از آن بسیار حائز اهمیت می‌باشد. در این تحقیق به تاثیر عوامل متعددی بر آبشستگی زیر خطوط لوله در جریان یکنواخت با استفاده از روش رگرسیون فرایند گاوسی (gpr) gaussian process regression و ماشین بردار پشتیبان (svm) support vector machines و مقایسه نتایج آن با روابط ارائه شده پرداخته شده است. بدین منظور داده‌های آزمایشگاهی متعددی مورد استفاده قرار گرفته و پس از تعریف چندین پارامتر بدون بعد، عملکرد روش‌های مذکور مورد ارزیابی قرار گرفته است. نتایج به‌دست آمده به خوبی نشان می‌دهد که این روش‌ها کارایی بهتری نسبت به روابط تجربی دارند. بررسی‌ها نشان داد مدل ماشین بردار پشتیبان با متغییرهای ورودی h/d، d/d، re و s0 با دارا بودن مقادیر معیارهای ارزیابی rmse) root) mean square error برابر 0/084، r برابر با 0/877 و nse برابر 0/767 بهترین نتیجه و عملکرد را دارد. لازم به ذکر است پارامترهای h/d و d/d بیشترین تاثیر را بر روی عمق آبشستگی زیر خطوط لوله را دارند.

modeling and predicting the rate of scour depth below pipelines using kernel-based methods for steady flows

pipelines are used all around the world to transport fluids from one location to another. when these pipelines meet rivers, seas and oceans pipes are laid on the solid bed and it causes changes in the flow pattern around the pipes. in result of these changes, the shear stress of bed under pipelines and turbulence of current will be increased, and scour will occur under pipelines and the scour hole will form and develop. these holes cause damage and failure to the pipe due to the pipe weight. in case of failure of the pipe, irreparable damages will incur to the environment and there will be huge financial costs. therefore, it is very important to study the scour depth and effective variables to reduce scour and prevent damages. researchers have conducted experimental and numerical studies on scour phenomenon and have provided relations over the years.in this research the effect of various factors on this phenomenon in steady current are investigated using gaussian process regression (gpr) and support vector machine (svm) and it is compared with the previous presented relations. to this end several laboratory data were used and after defining several non-dimensional parameters the performance of these methods was evaluated. the result of this research demonstrated that these methods are better than experimental relations and have promising outcomes. this study have shown that an svm model with ℎ/d, d/d, re and s0 variables in steady current have the best results. it is worth mentioning that ℎ and variables in steady current have the most significant effect on the scour below pipelines.