برآورد بیشترین عمق آبشستگی موضعی کف کانالهای مستطیلی با استفاده از مدلهای هوش مصنوعی بر مبنای داده کاوی

در مقاطع مختلف کانال های مستطیلی جریان مکانیسم متفاوتی دارد وحفاظت از بستر کانال در آبراهه ها در مقابل پدیده آبشستگی موضوع بسیار مهمی در طراحی کانال است. بررسی های میدانی و تجربی زیادی برای ایجاد رابطه بین عمق آبشستگی به دلیل عرض منقبض شده و متغیرهای حاکم انجام شده است. با این حال، معادلات تجربی موجود به دلیل پیچیدگی فرآیند آبشستگی، همیشه نتوانستند پیشبینی دقیقی از پدیده آبشستگی ارائه دهند. این مقاله به بررسی عمق آبشستگی موضعی در مقاطع تنگ کانالهای مستطیلی با استفاده از مدل های هوش مصنوعی جنگل تصادفی ( rf) گرادیان ارتقاقدرتمند ( xgb)و ماشین بردارپشتیبان ( svm ) میپردازد. پارامترهای موثر بر آبشستگی که به عنوان ورودی استفاده شده، شامل: سرعت جریان متوسط، سرعت آستانه بحرانی حرکت رسوب، عمق جریان، قطر ذرات میانه، انحراف استاندارد هندسی، عرض کانال غیر انقباض و منقبض از داده های تجربی جمع آوری شده از مطالعات مختلف است. پارامترهای بدون بعد حاصل از آنالیز ابعادی جهت آموزش 4 مدلهای هوش مصنوعی استفاده شده است. عملکرد مدل های مختلف با معادلات پیشبینی آبشستگی موجود با استفاده از شاخصهای آماری و نمودارهای ترسیمی مقایسه شد و درنهایت نتایج نشان میدهد که مدل گرادیان ارتقا قدرتمند میتواند عمق آبشستگی را با دقت بیشتری نسبت به روش جنگل تصادفی و ماشینهای بردار پشتیبان و معادلات موجود پیشبینی کند. درنهایت بررسی آنالیز حساسیت داده های ورودی نشان داد پارامتر ورودی بدون بعد d50/b1 بیشترین تاثیرگذاری را در تخمین عمق آبشستگی دارد.