تخمین عمق آبشستگی در تکیه گاه پل به کمک شبکه عصبی مصنوعی و مدل hec-ras

اجرای پل ها بر روی آبراهه ها مستلزم استفاده از ستون هایی بر روی بستر رودخانه است. این بخش از پل عموماً در معرض پدیده آبشستگی موضعی قرار می گیرد. تعیین میزان عمق این نوع آبشستگی از مسائل حائز اهمیت در مهندسی هیدرولیک است. مکانیسم جریان اطراف پایه پل ها پیچیده بوده و ایجاد یک مدل تجربی کلی برای تعیین میزان دقیق آبشستگی هزینه بر است. از این رو بکارگیری روش های جدید مبتنی بر علم انفورماتیک به منظور پیش بینی این عمق گسترش یافته است. در این رساله پدیده آبشستگی در تکیه گاه کناری پل به طور اختصاصی مورد بررسی قرار گرفته است. محققان 70 درصد از هزینه های مصرف شده در بحث نگهداری و تعمیر پل ها در کشور نیوزلند را وابسته به آبشستگی در تکیه گاه کناری دانسته اند. در این راستا با استفاده از داده های آبشستگی آزمایشگاهی منتشر شده در مراجع معتبر، میزان دقت مدل های هوشمند شامل شبکه های عصبی، سیستم های استنتاج فازیـ عصبی و همچنین روابط مرسوم در بحث برآورد عمق آبشستگی در تکیه گاه پل ها و مدل نرم افزاری hec-ras بررسی شده است. متوسط ضریب همبستگی در مراحل آموزش و آزمون برای مناسب ترین شبکه عصبی مصنوعی (شبکه شعاعی) به ترتیب 94/0و 92/0 و برای مدل فازی- عصبی به ترتیب برابر با 78/0، 92/0 بوده است. میزان ریشه میانگین مربعات خطا برای مدلهای مذکور در مراحل آموزش و آزمون به ترتیب 003/0، 71/4 در برابر 007/0، 47/4 بوده است. میزان این خطا برای مدل hec-ras و بهترین رابطه تجربی (ملویل و کولمان) به ترتیب 16/20 و 3/5 بوده است. شبکه عصبی مصنوعی بهترین عملکرد آموزشی را از خود نشان داده است در حالی که مدل فازی ـ عصبی بیشترین قابلیت اعتماد را در مرحله آزمون فراهم آورده است. همچنین استفاده از فرآیند بی بعد سازی داده ها باعث افزایش میزان ریشه میانگین مربعات خطا در مدل ها شده است (برای شبکه عصبی شعاعی و مدل فازی عصبی به ترتیب 022/0 و 028/ در مرحله آموزش و 25/0 و 19/0 در مرحله آزمون می باشد). رابطه بی بعد جدیدی مبتنی بر روش آنالیز رگرسیون غیر خطی برای تعیین عمق آبشستگی در اطراف تکیه-گاه پیشنهاد شده است. ضریب همبستگی برای این رابطه در مرحله کالیبراسیون و آزمون به ترتیب 86/0و 96/0 و میزان پارامتر ریشه میانگین مربعات خطا به ترتیب برابر با 72/0 و 38/0 بوده است.