مقایسه و پیش‌بینی آبشستگی محلی اطراف پایه ی‌ پل با استفاده از روش‌ qnet

آبشستگی اطراف پایه‌های پل یکی از پدیده‌های طبیعی و مهم‌ترین عوامل تهدید کننده پایداری سازه‌های هیدرولیکی است. که عمدتاً ناشی از فرآیندهای فرسایشی ناشی از میدان جریان در آبراهه‌های آبرفتی می‌باشد. این پدیده پیچیده هیدرولیکی با عواملی همچون سرعت جریان، عمق آب، مشخصات هندسی پایه پل و نوع خاک بستر ارتباط مستقیم دارد. 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. آبشستگی موضعی اطراف پایه‌های پل فرآیندی وابسته به زمان است. تخمین کمتر عمق آبشستگی منجر به طراحی کم عمق پی‌ها شده و تخمین بیشتر عمق آبشستگی منجر به غیراقتصادی شدن طرح خواهد شد. تاکنون پژوهشگران بسیاری آبشستگی موضعی اطراف پایه‌های پل را بررسی کردند و روش ‍‌های مناسبی را برای کنترل و کاهش آبشستگی ارائه داده‌اند که شامل روش‌های اصلاح الگوی جریان در این نواحی و همچنین روش‌های مقاوم سازی بستر است. بنابراین، مطالعه و بررسی روش‌های موثر برای کاهش میزان آبشستگی از اهمیت ویژه‌ای برخوردار است. پژوهش‌های اخیر نشان داده‌اند که تکنیک‌های نوین و الگوریتم‌های هوش مصنوعی به عنوان ابزارهای پیشرفته برای تحلیل و پیش‌بینی آبشستگی مورد توجه قرار گرفته‌اند. این الگوریتم‌ها 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 qnetدر 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 (((d_max/d), w_c, c_p, (v/((〖gd〗^0.5 ) )), (t_s/((pv^2 ) )) در الگوریتمqnet در مرحله آموزش و آزمون به ترتیب برابر 0.9975)=(r2، (0.0073=(rmse و (0.9958=(r2، (0.0111=(rmse می‌باشد. این نتایج، بهینه‌ترین خروجی را در مقایسه با ترکیب‌های دیگر ارائه می‌دهد و نشان‌دهنده دقت بسیار مطلوب الگوریتم qnet در پیش‌بینی آبشستگی است. همچنین، آنالیز حساسیت نشان می‌دهد که محتوای خاک رس (wc) بیش ترین تاثیر را بر میزان آبشستگی دارد.