>
Fa   |   Ar   |   En
   مدل‌سازی عمق آبشستگی اطراف انواع تک پایه و گروه پایه‌های مایل  
   
نویسنده ماجدی‌اصل مهدی ,ولی‌زاده سعیده ,اشکان فروغ ,حسن پور الناز
منبع دانش آب و خاك - 1399 - دوره : 30 - شماره : 3 - صفحه:61 -74
چکیده    با توجه به اهمیت پدیده آبشستگی در طراحی پل ها، امروزه برای بالا بردن دقت تخمین عمق آبشستگی از  شبکه‌های عصبی مصنوعی بهره گرفته می شود. در این تحقیق برای پیش ‌بینی عمق آبشستگی اطراف گروه پایه پل مایل از روشی نوین به نام ماشین بردار پشتیبان استفاده شده است که در این روش از پارامترهای آماری ، ، rmse، برای ارزیابی کارایی مدل‌ها استفاده شده است. نتایج نشان داد،  ترکیباتی که دارای هر دو نوع پارامترهای رسوبی و هیدرولیکی در مدل داده کاوی ماشین بردار پشتیبان‌ می‌باشد، نتیجه بهتری در پیش بینی عمق آبشستگی ارائه می‌دهند. به طور نمونه، در حالت سه پایه، معیارهای ارزیابی مربوط به سناریو یک (پارامترهای هیدرولیکی)، 0.9914=r^2 و 0.9758=dc و 0.0576 rmse  و برای سناریو دو (پارامترهای هیدرولیکی و رسوبی )، برابر 0.9924=r^2 و 0.9803=dc و 0.0529=rmse بدست آمده است که نشان می دهد ماشین بردار پشتیبان برای سناریو دوم عملکرد بهتری از خود نشان داده است. در ادامه برای محاسبه عمق آبشستگی اطراف گروه پایه مایل، برای حالت‌های تک پایه، سه پایه و چهارپایه روابط غیر خطی ارائه شده است.
کلیدواژه پارامترهای هیدرولیکی، شبکه عصبی مصنوعی، عمق آبشستگی، گروه‌پایه پل، ماشین بردار پشتیبان
آدرس دانشگاه مراغه, دانشکده فنی و مهندسی, گروه مهندسی عمران, ایران, , گروه مهندسی عمران, ایران, دانشگاه مراغه, دانشکده فنی و مهندسی, گروه مهندسی عمران, ایران, پروژه مهندسین کارلو, نوع
 
   Modeling Scour Depth Around the Inclined Single and Group Piers  
   
Authors Majedi Asl M ,Valizadeh S ,Ashkan F ,Hasanpour E
Abstract    Considering the importance of scouring in the design of bridges, nowadays, to increase the accuracy of scour depth estimation, artificial neural networks are used. In this research, a model for estimating scour depth around the bridge pier group was used by a new method called support vector machine. In this method, the statistical parameters of RMSE, R2, DC, were used to evaluate the performance of the models. The results showed that using compounds of the sedimentary and hydraulic parameters in the support vector data model provided better results in estimation of scour depth. For example, in tripod mode, the assessment criteria values for the scenario 1 (hydraulic parameters), were R2 = 0.9914, DC = 0.9758 and RMSE= 0.0576, and for scenario two (hydraulic and sediment parameters), were to R2 = 0.9924, DC = 0.9803 and RMSE = 0.0529, which indicated better performance of the support vector machine in the second scenario. Finally, nonlinear equations were presented for calculating the scour depth around the inclined Single and group piers.
Keywords
 
 

Copyright 2023
Islamic World Science Citation Center
All Rights Reserved