پیشبینی آبشستگی محلی اطراف پایه ی پل با استفاده از روش فرامدلی ( svm )

آبشستگی اطراف پایه‌های پل یکی از پدیده‌های طبیعی است که عمدتاً ناشی از فرآیندهای فرسایشی ناشی از میدان جریان در آبراهه‌های آبرفتی می‌باشد. این پدیده، به ویژه در صورت عدم کنترل مناسب، می‌تواند به طور جدی پایداری سازه‌های پل را تهدید کند. در طول زمان، آبشستگی موجب تخریب و تضعیف پایه‌های پل می‌شود و در نتیجه احتمال بروز خرابی‌های ساختاری و حتی فروپاشی سازه را افزایش می‌دهد. بنابراین، مطالعه و بررسی روش‌های موثر برای کاهش میزان آبشستگی از اهمیت ویژه‌ای برخوردار است. پژوهش‌های اخیر نشان داده‌اند که تکنیک‌های نوین یادگیری ماشین و الگوریتم‌های هوش مصنوعی به عنوان ابزارهای پیشرفته برای تحلیل و پیش‌بینی آبشستگی مورد توجه قرار گرفته‌اند. یکی از این تکنیک‌ها، استفاده از الگوریتم نرم‌افزار svm است که به عنوان یک روش نوین یادگیری ماشین برای پیش‌بینی دقیق‌تر آبشستگی در اطراف پایه‌های پل معرفی شده است. این الگوریتم با تحلیل داده‌های پیچیده و شبیه‌سازی‌های دقیق، قادر به پیش‌بینی موثر میزان و الگوهای آبشستگی می‌باشد و به مهندسان و طراحان کمک می‌کند تا اقدامات لازم را برای بهبود طراحی و افزایش ایمنی سازه‌های پل اتخاذ کنند. در این پژوهش، عملکرد الگوریتم svm در پیش‌بینی آبشستگی مورد ارزیابی قرار گرفته است تا اثربخشی آن در کاهش این پدیده و بهبود عملکرد سازه‌های پل بررسی شود. استفاده از این تکنیک‌های پیشرفته می‌تواند به بهینه‌سازی روش‌های حفاظتی و طراحی و در نهایت به ارتقای ایمنی و پایداری سازه‌های پل کمک شایانی نماید. نتایج حاصل از الگوریتم هوش مصنوعی نشان میدهد که ترکیب پارامترهای ) ((????????????????/????), ????????, ????????, (????/(????????0.5)), (????????/(????????2)) در الگوریتم svm در مراحل آموزشو آزمون به ترتیب دارای مقادیر r2=0.8380 ، rmse=0.1856 و r2=0.8008 و rmse=0.3080 بوده است. این نتایج، بهینه ترین خروجی را در مقایسه با ترکیبهای دیگر ارائه می دهد و نشاندهنده دقت بسیار مطلوب الگوریتم svm در پیشبینی آبشستگی است. همچنین، آنالیز حساسیت نشان میدهد که محتوای خاک رس cw بییشترین تاثیر را بر میزان آبشستگی دارد.