کاربرد الگوریتم svm در پیش‌بینی عمق آبشستگی تک پایه قائم

آبشستگی موضعی حول فوندانسیون سازه‌های دریایی و هیدرولیکی یکی از مهم‌ترین عوامل در ناپایداری و خرابی این سازه‌ها است. همواره پیش‌بینی نادرست عمق آبشستگی حول پایه‌ پل‌ها باعث تحمیل ضررهای مالی در پل‌سازی و به‌خطر افتادن جان انسان‌های بسیاری شده است از این‌رو براورد دقیق این پدیده پیچیده، اطراف پایه‌ پل‌ها لازم و ضروری است. از آنجایی که فرمول‌های ارائه شده توسط محققین مختلف، مربوط به شرایط خاص آزمایشگاهی است، در شرایط دیگر کمتر صادق بوده و از دقت چندانی برخوردار نیستند. به‌تازگی محققان زیادی تلاش کردند تا روش‌ها و مدل‌های جدیدی را با عنوان محاسبات نرم، در پیش‌بینی این پدیده مهم مورد بررسی قرار دهند. در این پژوهش، برای پیش‌بینی عمق آبشستگی اطراف پایه پل 146 سری داده‌ آزمایشگاهی مختلف (در سه نوع شرایط آزمایشگاهی متفاوت) با استفاده از ماشین بردار پشتیبان مورد تحلیل قرار گرفت. این داده‌ها در قالب ترکیبات مختلف متشکل از پارامترهای ورودی و d هستند که به‌ترتیب، ضخامت زیر لایه لزج، عدد رینولدز، سرعت بحرانی، پارامتر شیلدز، سرعت برشی، سرعت متوسط، قطر متوسط ذرات، عمق اولیه جریان و قطر پایه پل معرفی می‌شوند. پارامترهای گفته شده در دو سناریو متفاوت (حالت بابعد و حالت بی‌بعد) وارد شبکه svm شدند. برای ارزیابی کارایی ترکیبات از معیارهای آماری rmse (جذر میانگین مربعات خطاها)، (مجذور ضریب همبستگی بین مقادیر آزمایشگاهی و پیش‌بینی) و dc (ضریب تعیین خطی بین مقادیر پیش‌بینی شده و آزمایشگاهی) استفاده شده است. نتایج حاصل از این ماشین با نتایج به‌دست آمده از فرمول‌های تجربی و روابط ارائه شده در همین تحقیق مقایسه شد. نتایج حاصل از این پیش‌بینی است. نتایج نشان می‌دهد، در سناریو اول ترکیب شماره 5 با پارامترهای ورودی بی‌بعد و و در سناریو دوم نیز ترکیب شماره 5 با پارامترهای ورودی بابعد و برای مرحله آزمون، به‌عنوان برترین مدل انتخاب شده‌اند. در نتیجه از نتایج چنین استنباط شد که سناریو دو (حالت بابعد) در پیش‌بینی عمق آبشستگی حول تک پایه قائم براورد دقیق‌تری نسبت به سناریو اول (حالت بی‌بعد) ارائه داده است. در پایان آنالیز حساسیت روی پارامترها انجام شد و پارامترهای به‌ترتیب و به‌عنوان موثرترین پارامترها انتخاب شدند.

Application of SVM Algorithm in Predicting Vertical Pier Scour Depth

Local scour around the foundation of marine and hydraulic structures is one of the most important factors in the instability and destruction of these structures. False prediction of scour depth around bridges has caused financial losses in plasticization and endangered many peoplechr('39')s lives. Therefore, an accurate estimation of this complex phenomenon around the bridges is necessary. Also, since the formulas presented by different researchers relate to laboratory conditions, they are less true and less accurate in other situations. Recently, many researchers have tried to introduce new methods and models called soft calculations in predicting this phenomenon. In this research, 146 different laboratory data series (three different laboratory conditions) were analyzed using a backup vector machine to predict scour depth around the bridge head. These data are presented in the form of various combinations of input parameters which, respectively, represent thickness under the slippery layer, Reynolds number, critical velocity, Shields parameter, velocity Shear, average speed, flow depth, the average diameter of the particles and diameter of the bridge. The parameters in two different scenarios (the mode with dimension and mode) were introduced into the SVM network and the results of this machine were compared with those obtained from the experimental formulas and relations presented in this study. The results showed that in the first scenario, the combination of No. 5 with input parameters () and in the second scenario, the combination No. 5 with input parameters () for the test stage were selected as the best model. It was also concluded from the results that the scenario two (the state with dimension) in predicting the scour depth around the vertical singlepillar provided a more accurate estimate than the first scenario (barrier state). At the end, the sensitivity analysis was carried out on the parameters and the parameters D, U*, V were selected, respectively, as the most effective parameters