تخمین بیشترین عمق آبشستگی در اطراف پایه‌ی پل تحت اثر انباشت موانع با استفاده از مدل NF-GMDH و الگوریتم های تکاملی

انباشت موانع شناور جریان رودخانه‌ها، نظیر تنه و شاخ و برگ درختان منجر به افزایش عمق آبشستگی موضعی در اطراف پایه‌های پل می‌شود. تاکنون جهت درک ساز‌و‌کار پدیده آبشستگی تحت اثر موانع شناور، مطالعات آزمایشگاهی و میدانی بسیاری انجام‌شده است. در دو دهه‌ی اخیر از انواع روش‌های هوش مصنوعی جهت تخمین بیش‌ترین عمق آبشستگی در اطراف پایه پل استفاده‌شده است. در این مطالعه از مدل فازی-عصبی مبتنی بر روش دسته‌بندی گروهی داده‌ها (NF-GMDH) جهت تخمین آب شستگی تحت اثر انباشت موانع استفاده شد. شبکه NF-GMDH با استفاده از الگوریتم‌های تکاملی شامل الگوریتم وراثتی (GA)، الگوریتم بهینه‌ساز ازدحام ذرات (PSO) و الگوریتم جستجوی گرانشی (GSA) توسعه داده شد. پارامترهای مؤثر بر حداکثر عمق آبشستگی به‌صورت سرعت متوسط جریان بالادست پایه پل، سرعت بحرانی رسوبات بستر رودخانه، عمق جریان در مقطع بدون حضور موانع، ضخامت مستغرق موانع، قطر موانع، اندازه متوسط ذرات، قطر پایه و عرض کانال در نظر گرفته شد. بعد از انجام مراحل آموزش و آزمایش هر مدل NF-GMDH، عملکرد آن‌ها با استفاده از شاخص‌های آماری ارزیابی شد. نتایج نشان داد که مدل‌های پیشنهادی دارای عملکرد بهتر نسبت به روابط تجربی است. همچنین دو مدل NF-GMDH-PSO (84/0=R و 37/ 0=RMSE) و NF-GMDH-GA (8407/0=R و 3640/0=RMSE) دارای عملکرد مشابه بودند. در نهایت آنالیز حساسیت نشان داد که نسبت بدون بعد قطر پایه (D) به‌اندازه متوسط ذرات (d50) بیشترین تأثیر را در تعیین پارامتر حداکثر عمق آبشستگی دارد.