برآورد بیشترین ژرفای آبشستگی در پیرامون پایه های پل با بهره‌وری از شبکه‌ های وایازی کلی و پرسپترون چند لایه‌ای

در این مطالعه، شبکه‌ های وایازی کلی (grnn) و پرسپترون چند لایه‌ای (mlp) برای برآورد بیشترین ژرفای آبشستگی مورد بهره‌وری قرار گرفتند. الگوریتم های levenberg-marquardt و momentum به عنوان الگوریتم های آموزشی، و دو تابع tanh و sigmoid نیز به عنوان توابع فعال ساز در این پژوهش جهت ساختن شبیه های عصبی به کار رفتند. تاکنون مطالعات گسترده ای در زمینه‌ی‌ استفاده از شبیه های مختلف شبکه‌ی عصبی جهت برآورد بیشترین ژرفای آبشستگی اطراف پایه های پل صورت گرفته است که بیشتر این پژوهش ها دارای دو مشکل عمده بوده اند: در نظر گرفتن شکل استوانه ای به عنوان پایه های پل، و استفاده از اطلاعات آزمایشگاهی برای ساختن شبیه ها از مهمترین کاستی های مطالعات صورت گرفته در زمینه‌ی برآورد بیشترین ژرفای آبشستگی اطراف پایه های پل به حساب می آیند. بر همین اساس، در این پژوهش علاوه بر شکل استوانه ای از اشکال مستطیلی، گرد گوشه و نوک تیز نیز استفاده شده است. همچنین برای ساختن و صحت سنجی شبیه ها از اطلاعات واقعی، که مشتمل بر 475 داده‌ی مربوط به آبشستگی اطراف پایه های پل بوده بهره‌وری شده است. در این پژوهش، بر خلاف پژوهش های گذشته که از روش آزمون و لغزش برای تعیین شمار نرون های لایه‌ی مخفی استفاده می شد، از الگوریتم ژنتیک جهت این منظور بهره‌وری گردیده است. نتایج مقایسه‌ی شبیه های مختلف عصبی نشان-دهنده‌ی دقت بیشتر شبیه grnn بوده است. برای بررسی کارآیی این شبیه از معادلات تجربی موجود نیز استفاده شد، که از جمله می توان به روابط بروسرز و همکاران، فروهلیچ، ملویل و ملویل، و چیو اشاره کرد. نتایج شبیه های مختلف نشان دادند که شبیه عصبی ارایه شده از کارآیی بهتری نسبت به روابط موجود برخوردار است. جهت تعیین تاثیر فراسنج های مختلف بر آبشستگی از تحلیل حساسیت استفاده شد. نتایج این تحلیل نشان دادند که فراسنج سرعت نسبت به دیگر فراسنج های مستقل بیشترین تاثیر را بر آبشستگی اطراف پایه های پل داراد.