بررسی عمق آبشستگی خطوط لوله عبوری از رودخانه با هوش مصنوعی به روش svm

عبور خطوط لوله از عرض رودخانه‌ها برای انتقال آب، گاز و نفت، می‌تواند منجر به ایجاد آبشستگی موضعی در محل استقرار لوله‌ها شود. توسعه آبشستگی می‌تواند باعث بروز آسیب‌های ناشی از شکست لوله، اختلال در فرآیند بهره‌برداری، افزایش هزینه‌های بازسازی و همچنین خسارات زیست‌محیطی گردد. در این پژوهش، کارایی روش ماشین بردار پشتیبان (svm) در پیش‌بینی عمق آبشستگی با استفاده از 36 مجموعه داده آزمایشگاهی ارزیابی شده است. پارامترهای هندسی و هیدرولیکی مورد بررسی شامل (〖ds〗_max/d e/d.y/d.fr.l/d)می‌باشد. نتایج حاصل از مدل‌سازی با هوش مصنوعی نشان داد که ترکیب پارامترهای مذکور در مرحله آموزش و آزمون با استفاده از شاخص‌های ارزیابی به ترتیب برابر با dc=0.9714 rmse=0.0519 ,r2= 0.9814, و dc=0.8322 rmse=0.1819 , r2= 0.8350, می باشند. نتایج نسبت به سایر ترکیب‌ها بهینه‌ترین خروجی را به دست آورده و دقت بالای روش svm را در پیش‌بینی عمق آبشستگی تایید می‌کند. همچنین، نتایج تحلیل حساسیت نشان داد که پارامتر (e/d) تاثیرگذارترین عامل در تعیین عمق آبشستگی نسبت به سایر پارامترها است.

investigation of scour depth of pipelines crossing rivers using artificial intelligence with svm method

the crossing of pipelines over rivers for the transportation of water, gas, and oil can lead to localized scouring at the locations where the pipes are installed. the development of scouring can lead to damage from pipe failures, disruptions in operational processes, increased repair costs, and environmental damages. in this study, the effectiveness of the support vector machine (svm) method in predicting scour depth has been evaluated using 36 sets of laboratory data. the geometric and hydraulic parameters examined include (〖ds〗_max/d e/d.y/d.fr.l/d). the results of modeling with artificial intelligence showed that the combination of the mentioned parameters in the training and test phase using the evaluation indices equals (dc=0.9724), (rmse=0.0519), and (r2=0.9814), (dc=0.8322), (rmse=0.1819), and (r2=0.8350). these results represent the optimal output compared to other combinations and confirm the high accuracy of the svm method in predicting scour depth. additionally, the results of the sensitivity analysis indicated that the parameter (e/d) is the most influential factor in determining scour depth compared to the other parameters.