تخمین عمق آبشستگی موضعی اطراف گروه پایه های استوانه ای و مربعی پل با استفاده از شبکه های عصبی مصنوعی و عصبی فازی

پل ها از جمله مهم ترین سازه‏های رودخانه ای هستند. یکی از موثرترین عوامل تخریب پل ها، آبشستگی موضعی اطراف پایه پل می باشد. همه ساله پل های زیادی در سراسر جهان به دلیل در نظر نگرفتن نقش عوامل هیدرولیکی تخریب می شوند. بنابراین شناخت این پدیده، پیش ‏بینی دقیق میزان آبشستگی و لحاظ کردن آن در طراحی پل ها بسیار ضروری است. آبشستگی در تک پایه ‏ها توسط محققان زیادی مورد مطالعه قرار گرفته در حالی که در زمینه آبشستگی گروه پایه‏ ها تحقیقات قابل توجهی موجود نمی باشد. مکانیزم جریان اطراف گروه پایه پل آن قدر پیچیده است که بدست آوردن یک مدل تجربی عمومی که بتواند تخمین درستی از عمق آبشستگی ارائه کند، بسیار مشکل است. در این مطالعه با استفاده از شبکه عصبی مصنوعی (ann) و سیستم فازی- عصبی استنتاجی تطبیقی (anfis)، 4 مدل جهت برآورد پروفیل بستر آبشسته اطراف گروه پایه‏ های سه تایی پل طراحی گردید؛ 3 مدل بعددار با استفاده از 8 پارامتر ورودی شامل زمان، شکل پایه، اندازه پایه، عمق جریان، سرعت متوسط جریان، سرعت بحرانی و مختصات طولی و عرضی نقاط بستر، در نرم ‏افزارهای qnet و matlab به طور مجزا طراحی گردید که خروجی آن ها عمق آبشستگی (در صورت منفی بودن خروجی) یا ارتفاع پشته رسوبات (در حالت مثبت بودن خروجی) می باشد. مدل دیگری نیز با استفاده از 10 پارامتر ورودی بی بعد و شبکه‏ های عصبی در محیط matlab طراحی شد. بیش از 120000 داده آزمایشگاهی که توسط موسسه تحقیقات آب وزارت نیرو، طی 33 آزمایش در شرایط آب زلال جمع آوری شده بود در آموزش و ارزیابی مدل ها به کار رفت. هر سه مدل شبکه عصبی، شبکه‏ های پرسپترون چند لایه می باشند که به روش پس انتشار خطا و الگوریتم یادگیری مارکوارت– لونبرگ آموزش می بینند. تأثیر روش های مختلف نرمال کردن داده ‏ها بر روی سرعت اجرا و دقت شبکه‏ های عصبی مورد بررسی قرار گرفت. هم‏چنین به منظور بی بعد کردن پارامترها و طراحی دقیق ترین مدل بی بعد، دو روش مختلف امتحان گردید و در نهایت بی بعد کردن پارامترهای طول، عرض و عمق آبشستگی با استفاده از عمق جریان نتایج بهتری دربرداشت. در مدل فازی- عصبی نیز از الگوریتم دسته‏ بندی کاهشی داده‏ ها به منظور تعیین تعداد قوانین استفاده شد و مدل با استفاده از روش هیبرید آموزش دید. در طراحی این مدل از پارامترهای بعددار استفاده شده است. نتایج نشان داد که مدل فازی- عصبی دارای دقت پیش‏ بینی بیشتری نسبت به 3 مدل دیگر می باشد (r^2=0.98) و ((rmse=0.003(m). این مدل همانند مدل شبکه عصبی بعددار تهیه شده با qnet، شامل 25 مدل هوشمند می باشد که هر مدل به تخمین پروفیل بستر آبشسته در طول خاصی در اطراف گروه پایه اختصاص دارد. آنالیز حساسیت انجام شده بر روی شبکه‏ های عصبی مربوط به نواحی مختلف نیز نشان داد که تأثیر پارامترهای ورودی در بخش های مختلف اطراف گروه پایه یکسان نمی باشد و در طول ناحیه آبشسته تغییر می کند.