پیش بینی عمق آبشستگی اطراف پایه پل با استفاده از هوش مصنوعی

پل ها از جمله مهمترین سازه های 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. بر این اساس برای یک طراحی مطمئن، تخمین دقیق عمق آبشستگی در اطراف پایه های پل ضروری به نظر می رسد. تا کنون مطالعات زیادی برای تخمین عمق چاله آبشستگی اطراف پایه پل انجام شده است و روابط تجربی زیادی برای تخمین حداکثر عمق چاله آبشستگی اطراف پایه ارائه شده است. اما این روابط دارای خطا می باشند. پیچیدگی مدلسازی فرایند آبشستگی سبب شده است تا از روش هایی نظیر داده کاوی برای تخمین عمق آبشستگی اطراف پایه پل استفاده شود. پیش از این، از شبکه های عصبی مصنوعی به عنوان شناخته شده ترین روش داده کاوی، برای تخمین عمق آبشستگی اطراف پایه پل استفاده شده است. اما تا کنون عملکرد روش داده کاوی شبکه وزن دار شعاع مبنا و ترکیب شبکه های عصبی مصنوعی چندلایه مورد ارزیابی قرار نگرفته است. در تحقیق حاضر، عملکرد این دو روش در تخمین عمق چاله آبشستگی اطراف پایه پل مورد بررسی قرار گرفته و نتایج حاصله با نتایج حاصل از روش شبکه عصبی مصنوعی، شبکه با تابع شعاع مبنا و روابط تجربی مقایسه شده است. بررسی ها نشان داده است که نتایج حاصل از روش ترکیب شبکه های عصبی مصنوعی چند لایه از دقت بالاتری نسبت به سایر روش ها برخوردار است. نتایج حاصل از مطالعات، همچنین نشان داده است که دقت روش های داده کاوی به مراتب بیشتر از دقت روابط تجربی است. داده های مورد نیاز برای آموزش شبکه های عصبی شامل عمق جریان(y)، سرعت جریان(u)، عرض(قطر)پایه پل(d)، قطر ذرات بستر(d50)، سرعت بحرانی(uc) و تنها خروجی این بخش شامل عمق آبشستگی پایه پل(dse) در دراز مدت می باشد. تحقیقات گذشته در مورد مقایسه نتایج حاصل از روابط تجربی و مقدار واقعی اندازه-گیری شده نشان می دهد روابط فروهلیچ (1996) و شن (1995) عمق آبشستگی را کمتر از مقدار واقعی برآورد می کنند، ریچاردسون مقادیر قابل قبولی ارائه می دهد و روابط جین – فیشر (1977)، ملویل- ساترلند (1988) و لارسن و تاچ عمق آبشستگی را بیشتر از مقدار واقعی برآورد می کنند.