پیش‌بینی عمق آبشستگی موضعی اطراف پایه‌های پل استوانه‌ای در بسترهای با خاک چسبنده با استفاده از روش‌های فرامدلی‌

آبشستگی، پدیده‌ای فرسایشی ناشی از جریان آب در رودخانه‌ها، به‌ویژه اطراف پایه‌های پل است که فرآیندی تابع زمان بوده و در صورت تخمین نادرست عمق آن، طراحی پی‌ها را ناکافی یا غیراقتصادی می‌کند و خطر خرابی سازه‌ای را افزایش می‌دهد. مطالعه و بررسی روش‌های موثر برای تخمین میزان آبشستگی به منظور طراحی درست سازه‌ای از اهمیت ویژه‌ای برخوردار است. پژوهش‌های اخیر نشان داده‌اند تکنیک‌های نوین یادگیری ماشین و الگوریتم‌های هوش مصنوعی به‌عنوان ابزارهای پیشرفته برای تحلیل و پیش‌بینی آبشستگی مورد توجه قرار گرفته‌اند. استفاده از این تکنیک‌های پیشرفته می‌تواند به بهینه‌سازی روش‌های حفاظتی و طراحی و در نهایت به ارتقای ایمنی و پایداری سازه‌های پل کمک شایانی نماید. ازاین‌رو در این پژوهش، عملکرد روش‌هایsvm ، qnet و ann در پیش‌بینی عمق آبشستگی موضعی اطراف پایه‌های پل استوانه‌ای در بسترهای با خاک چسبنده به کمک 122 سری داده آزمایشگاهی مورد ارزیابی قرار گرفت تا اثربخشی این روش‌ها در تخمین این پدیده و بهبود عملکرد سازه‌های پل بررسی شود. پارامترهای هندسی و هیدرولیکی مورد استفاده در این پژوهش شامل عدد فرود پایه، عمق بی بعد جریان نزدیک شونده، اندازه بی‌بعد ذره رسوب و مقاومت برشی بستر می‌باشد. نتایج نشان داد این روش‌ها در 96 درصد موارد پیش‌بینی‌های دقیقی ارائه می‌دهند. مدل qnet در 92 درصد موارد عملکرد بهتری نسبت به svm و ann داشته و دقت پیش‌بینی را تا 98 درصد افزایش داد. در مقایسه، svm در 80 درصد و ann در 85 درصد موارد نتایج قابل‌قبولی نشان دادند، اما qnetدر تم تعیین عمق آبشستگی است و تغییرات آن می‌تواند تا 30 درصد عمق فرسایش را تغییر دهد. در نهایت این پژوهش راهکاری دقیق و موثر برای پیش‌بینی آبشستگی ارائه می‌دهد که به مهندسان کمک می‌کند پل‌هایی مقاوم‌تر و اقتصادی‌تر طراحی کنند.

forecasting the local scour depth around cylindrical bridge foundations on cohesive soil utilizing meta models.

scour is the result of erosion from river water flow, particularly prevalent around bridge foundations, and is known to be a process that varies with time. if the depth of scour is inaccurately estimated, it can lead to insufficient or cost ineffective foundation designs, raising the potential for structural failure. therefore, the investigation and analysis of efficient methods for predicting scour depth tools for analyzing and forecasting scour. implementing these sophisticated techniques can significantly improve the efficiency of protective strategies and designs, ultimately enhancing the safety and stability of bridge structures. consequently, this study assessed the performance of svm, qnet, and ann methodologies in predicting local scour depth around cylindrical bridge foundations on cohesive soil through the analysis of 122 sets of laboratory data. the objective of this evaluation was to ascertain the effectiveness of these methods in estimating scour depth and augmenting the performance of bridge structures. the geometric and hydraulic parameters utilized in this study encompass the foundation froude number, dimensionless approaching flow depth, dimensionless sediment particle size, and bed shear strength. the findings revealed that these methodologies yielded precise forecasts in 96% of instances. the qnet model outperformed svm and ann in 92% of scenarios, enhancing prediction accuracy to 98%. in contrast, svm demonstrated satisfactory outcomes in 80% of instances, while ann achieved this in 85% of cases. however, qnet showcased superiority over the other methodologies across all scenarios. sensitivity analysis highlighted the foundation froude number, exerting an 82% influence, as the pivotal factor in scour depth determination, with potential erosion depth alterations of up to 30%. ultimately, this study offers a precise and efficient scour prediction solution, aiding engineers in crafting more durable and cost effective bridge designs.