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

انباشت موانع شناور جریان رودخانه ها، نظیر تنه و شاخ و برگ درختان منجر به افزایش عمق آبشستگی موضعی در اطراف پایه های پل می شود. تاکنون جهت درک ساز و کار پدیده آبشستگی تحت اثر موانع شناور، مطالعات آزمایشگاهی و میدانی بسیاری انجام شده است. در دو دهه ی اخیر از انواع روش های هوش مصنوعی جهت تخمین بیش ترین عمق آبشستگی در اطراف پایه پل استفاده شده است. در این مطالعه از مدل فازی-عصبی مبتنی بر روش دسته بندی گروهی داده ها (NF-GMDH) جهت تخمین آب شستگی تحت اثر انباشت موانع استفاده شد. شبکه NF-GMDH با استفاده از الگوریتم های تکاملی شامل الگوریتم وراثتی (GA)، الگوریتم بهینه ساز ازدحام ذرات (PSO) و الگوریتم جستجوی گرانشی (GSA) توسعه داده شد. پارامترهای موثر بر حداکثر عمق آبشستگی به صورت 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 آن ها با استفاده از شاخص های آماری ارزیابی شد. نتایج نشان داد که مدل های 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) به اندازه متوسط ذرات (d50) بیشترین تاثیر را در تعیین پارامتر حداکثر عمق آبشستگی دارد.

کلیدواژه ها:

آبشستگی ، الگوریتم های تکاملی ، انباشت موانع ، پایه پل ، روش دسته بندی ، گروهی داده ها