تحلیل حساسیت پارامترهای موثر بر عمق آبشستگی در پائین‌دست پایه‌های پل جفت با استفاده از ماشین آموزش نیرومند

زمینه و هدف: آبشستگی موضعی به عنوان یکی از عوامل مهم که باعث گسیختگی سازه پل ها، موج شکن ها و اسکه ها می شود شناسایی شده است. پیچیدگی مکانیزم آبشستگی باعث شده است که این موضوع یکی از مهم ترین زمینه های مطالعاتی مهندسی عمران باشد. در سال های اخیر، مطالعات فراوانی بر روی آبشستگی موضعی اطراف پایه های پل انجام گرفته است. به دلیل اهمیت زیاد پیش بینی و تخمین الگوی آبشستگی در مجاورت پایه های پل مطالعات فراوانی بر روی این نوع از سازه ها انجام شده است.روش پژوهش: در این مطالعه برای اولین بار با استفاده از روش جدید ماشین آموزش نیرومند (elm)، عمق آبشستگی در مجاورت پایه های پل دوقلو شبیه سازی شد. ابتدا پارامترهای موثر شناسایی گردید و چهار مدل elm توسعه داده شد. سپس به کمک شبیه سازی مونت کارلو و روش اعتبار سنجی ضربدری نتایج عددی اعتبار سنجی شدند. در ادامه تابع فعال سازی sin به عنوان بهترین تابع فعال سازی تعیین شد. علاوه بر این نتایج elm با مدل های شبکه عصبی مصنوعی مقایسه گردید که مدل های elm مقادیر آبشستگی را با دقت بیشتری تخمین زدند. تحلیل عدم قطعیت برای مدل های برتر elm و ann اجرا گردید و برای مدل برتر یک رابطه پیشنهاد داده شد. برای کلیه پارامترهای ورودی تحلیل حساسیت مشتق نسبی (pdsa) نیز اجرا گردید.یافته ها: در میان توابع فعال سازی موجود، تابع sin دارای عملکردی بهینه در مقایسه با سایر توابع فعال سازی بود. با توجه به تجزیه و تحلیل نتایج مدل سازی، مدل elm 1 به عنوان مدل برتر معرفی شد. این مدل تابعی از کلیه پارامترهای ورودی بود. همچنین با حذف عدد فرود دقت مدل عددی به شکل قابل ملاحظه ای کاهش یافت فلذا پارامتر مذکور نیز به عنوان موثرترین پارامتر در مدل سازی آبشستگی در اطراف پایه های پل دوقلو توسط مدل ماشین آموزش نیرومند شناسایی شد.نتایج: با تجزیه و تحلیل نتایج مدل سازی، مدل برتر elm معرفی کردید. نتایج مدل های elm با مدل های ann نیز مقایسه شد که نشان داده شد مدل های elm مقادیر آبشستگی را با دقت بیشتری شبیه سازی می کنند. برای مدل برتر elm یک رابطه برای محاسبه عمق حفره آبشستگی پیشنهاد داده شد و در ادامه تحلیل عدم قطعیت نشان داد که این مدل دارای عملکردی بیشتر از مقدار واقعی بود. علاوه بر این تحلیل حساسیت مشتق نسبی برای پارامترهای ورودی نشان داد که با افزایش عدد فرود مقدار تابع هدف (عمق آبشستگی) افزایش می یابد.

sensitivity analysis of parameters affecting scour depth at downstream of twin bridge piers using extreme learning machine

background and aim: local scouring has been identified as one of the important factors that cause the structure of bridges, breakwaters, and piers to rupture. the complexity of the scouring mechanism has made this one of the most important fields of civil engineering studies. in recent years, many studies have been performed on local scouring around bridge piers. due to the great importance of predicting and estimating the scour pattern in the vicinity of bridge piers, many studies have been done on this type of structure.method: in this study, for the first time, using a new extreme learning machine (elm) method, the scour depth near the foundations of the twin bridges was simulated. first, effective parameters were identified and four elm models were developed. then, numerical results were validated using monte carlo simulation and the cross validation method. then the sin activation function was determined as the best activation function. in addition, elm results were compared with artificial neural network (ann) models that elm models estimated scour values more accurately. uncertainty analysis was performed for the superior elm and ann models and a relationship was proposed for the superior model. partial derivative sensitivity analysis (pdsa) was also performed for all input parameters.results: among the existing activation functions, the sin function had the optimal performance compared to other activation functions. according to the analysis of modeling results, elm 1 model was introduced as the superior model. this model was a function of all input parameters. also, by removing the landing number, the accuracy of the numerical model was significantly reduced, so the mentioned parameter was identified as the most effective parameter in scouring modeling around the bases of the twin bridges by the model of strength training machine.conclusion: by analyzing the modeling results the superior elm model was introduced. the results of elm models were also compared with ann models, which showed that elm models simulate scour values more accurately. for the superior elm model, a relation was proposed to calculate the scour hole depth, and further uncertainty analysis showed that this model had a higher performance than the actual value. in addition, the relative derivative sensitivity analysis for the input parameters showed that with increasing the landing number, the value of the objective function (scour depth) increases.