|
|
|
|
تخمین عمق آب شستگی پایه ی پل در جریان غیردائم و بستر مسلح با استفاده از سیستم عصبی - فازی تطبیقی و الگوریتم های بهینه سازی
|
|
|
|
|
|
|
|
نویسنده
|
کارخیران سمانه ,کبیری سامانی عبدالرضا ,ذکری مریم
|
|
منبع
|
مهندسي عمران شريف - 1398 - دوره : 35-2 - شماره : 4/1 - صفحه:27 -37
|
|
چکیده
|
در پژوهش حاضر به بررسی عمق آب‌شستگی در شرایط جریان دائمی و غیردائمی و بستر مسلح و غیرمسلح با استفاده از سیستم عصبی فازی تطبیقی (آنفیس) و الگوریتم‌های بهینه‌سازی پرداخته شده است. مدل‌سازی‌ها به دو دسته‌ی برآورد عمق آب‌شستگی در جریان دائمی با استفاده از داده‌های صحرایی پل‌های مناطق مختلف آمریکا و برآورد عمق آب‌شستگی در جریان غیردائمی و شرایط بستر مسلح و غیرمسلح با استفاده از سه مجموعه داده‌ی آزمایشگاهیتقسیم می‌شود. در پژوهش حاضر، به‌منظور بهبود مدل‌سازی‌ها پس از مدل‌سازی با کل مجموعه‌ی داده‌ها، داده‌های پرت حذف شده‌اند، سپس در مدل‌سازی‌های آب‌شستگی در جریان غیردائمی که تعداد پارامترهای ورودی زیاد است، با استفاده از روش‌های کاهش ابعاد، تعداد پارامترها کاهش یافته و سپس به‌منظور بهینه‌سازی آموزش مدل‌ها از الگوریتم‌های ژنتیک وازدحام ذرات استفاده شده است. نتایج مدل‌سازی‌ها در جریان دائمی حاکی از آن است که مدل آنفیس در مقایسه با روابط تجربی، نتایج دقیق‌تری ارائه می‌دهد. در مدل‌سازی‌ها جریان غیردائمی نیز نتایج حاکی از عملکرد مناسب‌تر مدل عصبی فازی تطبیقی در مقایسه با روابط تجربی است. همچنین حذف داده‌های پرت و کاهش تعداد پارامترها باعث بهبود نتایج آنفیس شده و در بهینه‌سازی آموزش سیستم عصبی فازی تطبیقی، هر دو الگوریتم عملکرد مناسبی ارائه داده‌اند. هر چند مدل بهینه شده توسط الگوریتم ازدحام ذرات در آموزش سیستم، عملکرد موفق‌تری داشته است.
|
|
کلیدواژه
|
آب‌شستگی، جریان غیردائمی، بستر مسلح، آنفیس، پایه‌ی پل
|
|
آدرس
|
دانشگاه صنعتی اصفهان, دانشکده ی مهندسی عمران, ایران, دانشگاه صنعتی اصفهان, دانشکده ی مهندسی عمران, ایران, دانشگاه صنعتی اصفهان, دانشکده ی مهندسی برق و کامپیوتر, ایران
|
|
پست الکترونیکی
|
mzekri@cc.iut.ac.ir
|
|
|
|
|
|
|
|
|
|
|
|
|
|
SCOURING AT BRIDGES PIERS UNDER UNSTEADY FLOW CONDITION AND ARMORED BEDS USING ANFIS AND OPTIMIZATION ALGORITHMS
|
|
|
|
|
Authors
|
Karkheiran S. ,Kabiri Samani A. ,Zekri M.
|
|
Abstract
|
Several studies have been performed to study the scouring depth at bridge piers. Due to the complication of the problem and variety of the hydraulic and geometric parameters affecting the scouring phenomena, a generalized relationship has not been presented yet. Therefore, adaptive neurofuzzy inference system (ANFIS) is an alternative to overcome these problems. This approach is an effective tool to provide the hydraulic engineers, precise estimation of the scouring depth around the bridge piers. Although a large number of former studies have just focused on scouring at bridge piers under steady flow condition and uniformgraded bed materials even by applying ANFIS model, a lack of studies exists on scouring under unsteady flood flow condition as well as for nonuniform bed materials. Generally, river beds are composed mainly of nonuniform materials. Motion of the finer sediment particles initiates results in the protective effect of greater particles, namely armoring effect on the bed surface, thereby eliminating further erosion of the bed. Furthermore, in most of the rivers the flow regime is commonly unsteady. During a flood, the maximum scouring depth regarding to the peak of the flood hydrograph would be smaller than the equilibrium scouring depth which is commonly estimated using a constant flow discharge. When the flow unsteadiness is pronounced, the difference between the maximum scouring depth and the equilibrium scouring depth is quite substantial and thus should be addressed.In the present study, armoring effect on local scouring under unsteady flow condition was investigated based on a comprehensive dataset collected by different former investigators using ANFIS model. For this purpose, two different models were constructed. The first model was based on 372 dataset collected in a practical study on different bridges in USA. Measurements were conducted under steady flow condition. The second model was developed for estimating the maximum scouring depth in the beds of uniform and armored materials under unsteady flow condition. To present a more accurate model, some strategies including; reduction of dimension and detection of outlier were used to improve the performance of calculations. Genetic algorithm and particle swarm optimization methods were applied to develop a novel hybrid learning algorithm for ANFIS model. The new hybrid learning algorithm train the antecedent part of the fuzzy rules. Then the least square method was applied for training the conclusion part of the rules. It was shown that ANFIS model gives more accurate results compared to the empirical equations. Results highlighted the effectiveness of the data on the estimations of ANFIS model. Furthermore, according to the results, this approach is potentially able to train the ANFIS model in both steady and unsteady flow conditions.
|
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|