تحلیل مقایسه‌ای آبشستگی پایین‌دست سرریز مرکب مثلثی–مثلثی با استفاده از روش کلاسیک و مدل هوش مصنوعی ماشین بردار پشتیبان

پدیده آبشستگی در پایین‌دست سرریزهای مرکب یکی از مسائل مهم در طراحی و ارزیابی ایمنی سازه‌های هیدرولیکی محسوب می‌شود. در این پژوهش، عملکرد یک مدل کلاسیک تجربی و یک مدل مبتنی بر هوش مصنوعی از نوع ماشین بردار پشتیبان (svm) در پیش‌بینی سه پارامتر کلیدی آب‌شستگی شامل بیشینه عمق، محل وقوع بیشینه و طول کلی حفره مورد بررسی قرار گرفته است. آزمایش‌های فیزیکی روی یک مدل سرریز مرکب مثلثی–مثلثی در شرایط مختلف هیدرولیکی انجام شد و داده‌های حاصل به‌عنوان مبنای ارزیابی مدل‌ها استفاده گردید. نتایج نشان داد که اگرچه مدل کلاسیک توانسته است روند کلی تغییرات آب‌شستگی را بازتاب دهد، اما میزان خطاهای آماری آن در بازه‌های نسبتاً بالایی قرار داشته است (mare بین 13 تا 20 درصد). در مقابل، مدل svm با دقت بسیار بالاتری عمل کرده و توانست خطای نسبی را به کمتر از 2 درصد کاهش دهد. تحلیل مقایسه‌ای نشان می‌دهد که مدل هوش مصنوعی با قدرت تعمیم‌پذیری بالا، گزینه‌ای مطمئن برای پیش‌بینی دقیق‌تر رفتار آب‌شستگی در شرایط آزمایشگاهی است. با این حال، استفاده ترکیبی از دو رویکرد، به‌ویژه در پروژه‌های بزرگ و حساس، می‌تواند هم دقت پیش‌بینی و هم کارایی محاسباتی را بهبود بخشد.

scour prediction downstream of triangular-triangular compound weirs: classical equation vs. svm model

this study evaluates the performance of a classical empirical model and an artificial intelligence based model—specifically the support vector machine (svm) in predicting three key scour parameters: maximum depth, location of maximum depth, and total length of the scour hole. physical experiments were conducted on a compound triangular triangular weir model under various hydraulic conditions, and the resulting data were used as the basis for model evaluation. the results showed that although the classical model was able to capture the general trend of scour development, its statistical error rates were relatively high (with mare ranging from 13% to 20%). in contrast, the svm model demonstrated significantly higher accuracy, reducing relative error to below 2%. a comparative analysis revealed that the ai based model, due to its strong generalization capabilities, offers a reliable tool for more precise scour prediction in laboratory settings. however, combining both approaches—especially in large scale or high stakes projects can enhance both predictive accuracy and computational efficiency.