بررسی عمق آبشستگی خطوط لوله عبوری از رودخانه با استفاده از ann

آبشستگی (scour) پدیده‌ای است که در اثر جریان آب، مواد بستر رودخانه یا کانال از اطراف سازه‌هایی مانند خطوط لوله عبوری برداشته می‌شوند. این فرسایش موضعی می‌تواند به تخریب بستر و کاهش پایداری خطوط لوله منجر شود. خطرات ناشی از آب‌شستگی شامل ناپایداری و شکست سازه‌ها، آسیب به زیرساخت‌ها، نشتی یا پارگی لوله‌ها و در موارد بحرانی حتی منجر به فجایع زیست‌محیطی و اقتصادی می‌شود. مدیریت صحیح و پیش‌بینی دقیق عمق آب‌شستگی برای جلوگیری از این مخاطرات بسیار حائز اهمیت است. در این پژوهش، کارایی روش شبکه عصبی مصنوعی (ann) برای پیش‌بینی عمق آب‌شستگی مورد ارزیابی قرار گرفته است. به منظور اعتبارسنجی این روش از 36 مجموعه داده آزمایشگاهی استفاده شده است. پارامترهای هندسی و هیدرولیکی مورد بررسی شامل (〖ds_max/d.e/d,y/d,fr,l/d) می‌باشد. نتایج حاصل از روش شبکه عصبی مصنوعی(artificial neural network – ann) در مرحله آموزش وآزمون ترکیب برتر (ترکیب اول) نشان داد که شاخص‌های ارزیابی dc، rmse و r2 به ترتیب برابر است با ، 0272 / 0 ، 9925 / 0 ، 8959 / 0 ، 1180 / 0 ، 8925 /0 که این نتایج حاکی از آن است که ترکیب برتر (ترکیب اول) خروجی بهینه‌تری نسبت به سایر ترکیبات ارائه داده و دقت بالای روش ann در پیش‌بینی عمق آبشستگی را تایید می‌کند. علاوه بر این، تحلیل حساسیت نشان داد که پارامتر (e/d) بیش ترین تاثیر را در تعیین عمق آبشستگی در مقایسه با سایر پارامترها دارد.

investigation of scour depth around pipelines crossing rivers using (ann)

scour is a phenomenon caused by the flow of water, where sediment from the riverbed or channel is eroded around structures such as pipelines. this localized erosion can lead to the degradation of the substrate and a reduction in the stability of pipelines. the hazards associated with scour include structural instability and failure, damage to infrastructure, leakage or rupture of pipelines, and in critical cases, it can even lead to environmental and economic disasters. proper management and accurate prediction of scour depth are crucial for preventing these hazards. in this study, the effectiveness of the artificial neural network (ann) method for predicting scour depth has been evaluated. to validate this method, 36 sets of experimental data have been utilized. the geometric and hydraulic parameters examined include (????????????????????/????.????/????.????/????.fr.????/????). the results obtained from the artificial neural network (ann) method during the training and testing phases of the best combination (the first combination) showed that the evaluation indices dc, rmse, and r2 were 0.9932, 0.0272, 0.9925 and 0.8959, 0.1180, 0.8925respectively. these results indicate that the best combination provided a more optimal output compared to other combinations, confirming the high accuracy of the ann method in predicting scour depth. additionally, the sensitivity analysis revealed that the parameter (????????) has the greatest influence on determining scour depth compared to other parameters.