پیش بینی و ارزیابی عمق آبشستگی در زیر خطوط لوله با بکارگیری روش های بردار پشتیبان ماشین و رگرسیون قوسی تحت موج

خطوط لوله انتقال دهنده سیالات، یکی از مهم ترین عوامل توسعه و رشد اقتصادی هر کشوری محسوب می شوند که برای انتقال سوخت های سیال، پسماندها و فاضلاب ها و یا برای انتقال هر سیال دیگر استفاده می شوند. هنگامی که این خطوط لوله بر روی بستر دریا و اقیانوس قرار می گیرند، باعث ایجاد تغییراتی در جریان شده که افزایش تنش برشی و آشفتگی سیال را به دنبال دارد. همین امر سبب بیشتر شدن ظرفیت حمل رسوب و در نتیجه ایجاد حفره آبشستگی می شود. با بزرگ تر شدن چاله آبشستگی، تنش ها و بارهای نوسانی باعث خستگی و گسیختگی لوله ها می شود. همین امر اهمیت بررسی پدیده آبشستگی در زیر خطوط لوله را نشان می دهد. در این تحقیق به تاثیر عوامل متعددی بر آبشستگی زیر خطوط لوله تحت موج با استفاده از روش رگرسیون فرایند گاوسی ((gpr)gaussian process regression ) و ماشین بردار پشتیبان ((svm)support vector machine ) مورد مطالعه قرار گرفته است. بدین منظور از داده های آزمایشگاهی متعددی که استفاده شده است و پس از تعریف چندین پارامتر بدون بعد، عملکرد روش های مذکور مورد ارزیابی قرار گرفته است. نتایج به دست آمده به خوبی نشان دهنده این است که این روش ها نسبت به روابط تجربی نتایج بهتری دارند. با بررسی نتایج مشاهده شد که مدل ماشین بردار پشتیبان با متغیرهای ورودی kc، θ، re و e/d با دارا بودن حداقل مقدار rmse برابر 0.047 و همچنین حداکثر مقادیر r برابر 0.959 و nse برابر 0.904 بهترین نتیجه و عملکرد را دارد و طبق نتایج به دست آمده از آنالیز حساسیت پارامتر kc، تاثیرگذارترین پارامتر بر روی عمق آبشستگی زیر خطوط لوله در حالت موج است.

modeling and predicting the rate of scour depth below pipelines in waves using gaussian process regression (gpr) and support vector machine (svm) methods

pipeline network is one of the major agents of the economic growth and development of a country, which is used to transport fluid fuels, wastewaters, and any other fluids. when these pipelines meet 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 the 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 and oscillating loads. therefore, it is very important to study the scour depth and effective variables to reduce scour and prevent damage. researchers have conducted experimental and numerical studies on scour phenomenon, considering various types of flows and conditions, and have provided different relations over the years.in this research, the effect of various factors on this phenomenon in waves is investigated using gaussian process regression (gpr) and support vector machine (svm). 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 has shown that an svm model with kc, re and  variables in wave-induced current has the best results. it is worth mentioning that the kc variable has the most significant effect on the scour below pipelines.