پیش‌ بینی عمق آبشستگی پایه پل با استفاده از مدل شبکه عصبی مصنوعی و مقایسه‌ی آن با روابط تجربی

برخورد جریان به پایه‌های پل و تکیه‌گاه‌ها جریان‌های آشفته‌ای را ایجاد می‌کند که سبب فرسایش در کنار پایه‌ها و تکیه‌گاه‌های پل شده و در نتیجه تخریب پل‌ها را در پی دارد. با توجه به پیچیدگی موضوع و پارامترهای زیادی که دخالت دارند هنوز یک رابطه‌ی دقیق یا راه حل اساسی برای پیش بینی عمق آبشستگی ارائه نشده است. در تحقیق حاضر عمق آبشستگی با استفاده از داده‌های اندازه‌گیری شده و با به کارگیری روش شبکه عصبی مصنوعی، رگرسیون خطی و غیرخطی و روابط تجربی برآورد شد. داده ها به دو صورت، با بعد و بدون بعد که با استفاده از آنالیز ابعادی بدست آمد مورد استفاده قرار گرفتند. نتایج نشان داد مدل شبکه عصبی مصنوعی توانسته است با به کارگیری پارامترهای تاثیرگذار عمق آبشستگی را با ضریب تبیین برابر با 0.97 و 0.81 و همچنین خطای rmse برابر با m0.01 و 0.32 به ترتیب زمانی که داده‌ها بابعد و بدون‌بعد استفاده شده‌اند، پیش‌بینی کند. همچنین رابطه تجربی دانشگاه ایالتی کلرادو توانسته است عمق آبشستگی را با ضریب تبیین و خطای rmse برابر با 0.53 و 0.52 متر پیش بینی کند. مقایسه‌ نتایج مدل‌های مختلف نشان می‌دهد که مدل شبکه عصبی مصنوعی مقدار خطای پیش بینی عمق آبشستگی را به ترتیب 70، 85.7 و 87.7 درصد در مقایسه با مدل رگرسیون خطی، مدل رگرسیون غیرخطی و رابطه تجربی دانشگاه ایالتی کلرادو کاهش داد.

prediction of the scour depth of bridge pier using artificial neural network model and comparison with empirical equations

the impact of flow on the bridge piers creates turbulent flows that cause scour around it, and as result collapse of the bridges. despite to most research which done in this area, but due to the complexity of the phenomena and the many parameters involved in the phenomenon, there is still no exact relationship or fundamental solution to predict scour depth. in the present study, using the measured data, the scour depth was estimated with data mining methods such as artificial neural network, linear and nonlinear regression models and also empirical relationships. the data were used in two ways, with dimensions and non-dimension, which were obtained using dimensional analysis. the results showed that the artificial neural network model able to predict scour depth with determination coefficient (r2) equal to 0.97 and 0.81, as well as rmse error equal to 0.06 m and 0.32, respectively, when data was used with dimension and non-dimension forms. also, the empirical equations of the colorado state university between the empirical relationships predicted scour depth with r2 and rmse error equal to 0.84 and 0.52. comparison of the results of different models shows that the best results are related to the artificial neural network model and it decreased error of prediction 70, 85.5 and 87.7% compared to linear regression model, nonlinear regression model and the empirical equation of the colorado state university, respectively.