بهینه‌سازی مدل انفیس توسط الگوریتم ژنتیک برای تخمین عمق آبشستگی در اطراف تکیه‌گاه پل‌ها

بهینه سازی مدل‌های هوش مصنوعی از اهمیت بسزایی برخوردار است زیرا باعث بهبود عملکرد این مدل‌ها و افزایش انعطاف آنها می‌شود. در این مطالعه، عمق آبشستگی در مجاورت تکیه پل‌ها به شکل‌های مختلف توسط مدل anfis و anfisgenetic algorithm (ga) تخمین زده شد. به‌عبارت دیگر، برای بهینه‌سازی توابع عضویت مدل anfis از ga استفاده شد که عملکرد مدل anfis به‌شکل قابل توجهی بهبود یافت. در ابتدا، پارامترهای تاثیرگذار بر روی عمق آبشستگی در اطراف تکیه‌گاه پل‌ها تعریف شدند. سپس با استفاده از این پارامترهای ورودی، یازده مدل مختلف برای هر یک از مدل‌های anfis و anfis-ga تولید شدند. سپس با تجزیه و تحلیل نتایج این مدل‌ها، مدل برتر برای هر یک از روش‌های anfis و anfis-ga زنتیک معرفی شدند. به‌عنوان مثال، مقدار ضریب همبستگی و شاخص پراکندگی برای مدل anfis به‌ترتیب برابر با 0/979 و 0/070 و برای مدل anfisga نیز به‌ترتیب مساوی با 0/986 و 0/056 محاسبه شدند. علاوه بر این، نسبت اختلاف متوسط برای مدل‌های برتر anfis و anfis-ga به‌ترتیب مساوی با 0/984 و 0/988 بودند. بنابراین نشان داده شد که مدل‌های ترکیبی anfis-ga دقت بیشتری در مقایسه با مدل‌های anfis داشتند. همچنین، تحلیل حساسیت نشان داد که عدد فرود (fr) و نسبت عمق جریان به شعاع حفره آبشستگی (h/l) به‌عنوان موثرترین پارامترهای ورودی برای تخمین عمق آبشستگی در مجاورت تکیه‌گاه پل‌ها شناسایی شدند.

Optimization of ANFIS Model using Genetic Algorithm for Estimation of Scour Depth around Bridge Abutments

Optimization of artificial intelligence (AI) models is a significant issue because it enhances the performance and flexibility of the numerical models. In this study, scour depth around bridge abutments with different shapes was estimated by means of ANFIS and ANFISGenetic Algorithm. In other words, the membership functions of the ANFIS model were optimized using the genetic algorithm, finding that the performance of ANFIS model was increased. Firstly, effective input parameters on the scour depth around bridge abutments were defined. Then, by using the input parameters, eleven ANFIS and ANFISGA models were produced. Next, the superior ANFIS and ANFISGA models were introduced by analyzing the numerical results. For example, the correlation coefficient and scatter index for ANFIS model were calculated to be 0.979 and 0.070; for ANFISGA, these were 0.986 and 0.056, respectively. In addition, the average discrepancy ratio (DRave) for ANFIS and ANFISGA models was 0.984 and 0.988, respectively. Also, it was shown that the ANFISGA models had more accuracy, as compared to the ANFIS models. Moreover, a sensitivity analysis showed that Froude number (Fr) and ratio of flow depth to radius of scour hole (h/L) were the most influential input parameters for simulating the scour depth around bridge abutments.