ارزیابی مدل‌های مبتنی‌بر درخت تصمیم غیرپارامتریک برای پیش‌بینی عمق آبشستگی پایه‌های پل

ماهیت پیچیده آبشستگی پایه پل و تاثیرات پارامترهای مختلف در برآورد آن ضرورت استفاده از یک مدل غیرخطی و جامع را بیش‌تر نمایان می‌سازد. در پژوهش حاضر از چهار مدل مبتنی‌بر درخت تصمیم و هم‌چنین از آمار پل‌های مختلف بهره‌گیری می‌شود. اطلاعات مورداستفاده در این پژوهش برای مدل‌سازی درخت‌های تصمیم‌گیری شامل سرعت جریان در بالادست، قطر متوسط ذرات بستر، عمق جریان در بالادست پایه و عرض پایه، زاویه هجوم آب به پایه، طول پایه، قطر ذراتی که 84 درصد از آنها از قطر آن کوچک‌تر هستند، ضریب شکل پایه، به‌عنوان متغیرهای ورودی و عمق آبشستگی موضعی به‌عنوان خروجی در مدل می‌باشد. در این پژوهش از روش‌های جدید درخت تصمیم برای محاسبه و مقایسه عمق آبشستگی پایه پل استفاده می‌شود. نتایج نشان می‌دهند که مدل تقویت گرادیان شدید (xgb) و جنگل تصادفی (rf) با ضریب تبیین 0.76 و 0.73 دارای دقت بیش‌تری نسبت به چهار مدل بررسی‌شده بودند و مدل تقویت گرادیان (gb) در رده بعد از این دو مدل با ضریب تبیین 0.67 قرار دارد و مدل درخت تصمیم (dt) در رده آخر قرار دارد. هم‌چنین با تحلیل حساسیت صورت‌گرفته بر روی مدل‌ها مشاهده شد که عرض پایه و هم‌چنین طول پایه بیش‌ترین تاثیر را بر روی عمق آبشستگی دارند. پس از این دو پارامتر عمق جریان در بالادست بیش‌ترین تاثیر را بر روی عمق آبشستگی دارد.

evaluation of nonparametric decision tree models for predicting scour depth of bridges

objective: the complex nature of bridge pier scour and the influence of various parameters on its estimation highlight the necessity of using a comprehensive nonlinear model. in the present study, four decision-tree-based models along with data from different bridges are employed.method: the input variables used for modeling the decision trees include upstream flow velocity, median bed particle diameter, upstream flow depth at the pier, pier width, angle of attack of the flow to the pier, pier length, particle diameter for which 84% of the particles are finer, and the pier shape factor, while the output variable is the local scour depth. in this study, modern decision tree methods are applied to calculate and compare bridge pier scour depth.results: the results indicate that the extreme gradient boosting (xgb) and random forest (rf) models, with coefficients of determination of 0.76 and 0.73, respectively, exhibit higher accuracy compared to the four investigated models. the gradient boosting (gb) model ranks next with a coefficient of determination of 0.67, while the decision tree (dt) model shows the lowest performance.conclusion: sensitivity analysis performed on the models reveals that pier width and pier length have the greatest influence on scour depth. after these two parameters, upstream flow depth has the most significant effect on scour depth