تخمین عمق آبشستگی پایه‌های پل با استفاده از روش‌های آماری و الگوریتم‌های هوشمند

Abstract

تخمین دقیق عمق آبشستگی اطراف پایه­های پل در کارهای مهندسی حائز اهمیت می­باشد. به دلیل پیچیدگی این پدیده بسیاری از روابط موجود قادر نمی­باشند عمق آبشستگی را با دقت قابل قبولی پیش­بینی نمایند. در این تحقیق ابتدا 17 رابطه تخمین عمق آبشستگی با داده­های میدانی مقایسه شدند و رابطـه فروهلیچ 1991 به عنوان بهترین رابطه انتخاب گردید. سپس با استفاده از روش­های ترکیبی میانگین (C-SAM)، رگرسیــون خطــی (C-REG) و ماشین بردار پشتیبان (C-SVM) 5 رابطه تخمین عمق آبشستگی (شن، فروهلیچ، فروهلیچ اصلاح شده، بلنچ I و اینگلیس II) که دارای کمترین خطا بودند با یکدیگر ترکیب شدند. مقایسه در مرحله صحت­سنجی نشان داد نتایج C-SAM به دلیل این­که از میانگین روابط استفاده می­نماید، تفاوتی با رابطه فروهلیچ ندارد؛ اما C-REG و به ویژه C-SVM توانسته­اند نتایج را بهبود بخشند. C-SVM توانسته ضریب همبستگی و خطای RMSE رابطه فروهلیچ را به ترتیب از 59/0 به 85/0 و از 63/0 به 42/0 تغییر دهد. با استفاده از SVM عمق آبشستگی با استفاده از پارامترهای مؤثر بر آبشستگی (P-SVM) بررسی گردید. نتایج نشان دادند دقت P-SVM قابل قبول است. دقت P-SVM با ضریب همبستگی 77/0 و خطای RMSE 51/0 بین دو روش C-REG و C-SVM قرار دارد. در این تحقیق نشان داده شد ترکیب روابط تجربی با استفاده از تکنیک SVM دارای بیشترین دقت و ترکیب پارامترهای مؤثر بر آبشستگی در رتبه دوم قرار دارد. همچنین نتایج این تحقیق نشان دادند SVM با استفاده از هوش مصنوعی می­تواند پدیده آبشستگی را با دقت بیشتری نسبت به روابط تجربی شبیه­سازی نماید.