ارزیابی عملکرد مدل ls-svr در تخمین عمق آبشستگی در پایه پل ‌ها

در این پژوهش از دو مدل یادگیری ماشین شامل ls-svr و anfis برای پیش بینی عمق آب شستگی اطراف پایه های پل استفاده شد. برای این منظور از 240 سری داده شامل پارامترهای مرتبط با هندسه پایه ها، شرایط جریان و خصوصیات جریان و نیز پارامترهای بدون بعد استفاده شد. برای پیش بینی از دو الگوی ورودی استفاده شد. در الگوی اول، پارامترهای بدون بعد و در الگوی دوم پارامترهای با بعد در نظر گرفته شدند. عملکرد مدل‌ها با استفاده از معیارهای ریشه میانگین مربعات خطا (rmse)، میانگین درصد مطلق خطا (mape) و ضریب نش-ساتکلیف (nse) ارزیابی شدند. نتایج نشان داد که در هر دو مدل، استفاده از پارامترهای با بعد برای پیش بینی منجر به‌دقت بالای پیش بینی می‌شود. مقایسه بین مدل‌ها نیز نشان داد که الگوریتم ls-svr  با معیارهایrmse=46.84, mape=38.03 , nse=0.62 برای داده های آزمون الگوی اول و rmse=28.62 , mape=38.97 , nse=0.67 برای داده های آزمون الگوی دوم دقت بالاتری نسبت به الگوریتم anfis دارد. نتایج این تحقیق حاکی از این است که مدل های یادگیری ماشین جایگزین مناسبی برای مدل های تجربی در پیش بینی عمق آبشستگی پایه های پل هستند.

performance evaluation of ls-svr model in predicting scour depth in bridge piers

in this research work, two machine learning models including least squares support vector machines (ls-svr) and adaptive neuro-fuzzy inference system (anfis) were used to predict the scour depth around the bridge piers. for this purpose, 240 data series including pier geometry, flow condition, sediment characteristics, and some dimensional parameters were used. dimensional and no dimensional parameters were considered. the performance of the models was evaluated using root mean square error (rmse), mean absolute percentage error (mape), and nash–sutcliffe efficiency (nse) criteria. the results showed that in both models, the use of dimensional parameters for prediction leads to high prediction accuracy. the comparison between the models also showed that the ls-svr algorithm with the criteria rmse=46.84, mape=38.03, nse=0.62 for the test data of the first model and rmse=28.62, mape=38.97, nse=0.67 for the test data results of the second pattern are more accurate than the anfis algorithm. this research indicates that machine learning models are a suitable alternative to empirical models in predicting scour depth of bridge piers.