استفاده از روشهای نوین در تعیین پارامترهای موثر بر آبشستگی پایه پل

سال انتشار: 1394
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 104

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_WATER-5-3_001

تاریخ نمایه سازی: 3 اسفند 1400

چکیده مقاله:

چکیدهتخمین عمق آبشستگی در اطراف پایه پل برای مهندسان ضروری است. تاکنون روابط تجربی زیادی به منظورپیش بینی عمق آبشستگی ارائه شده است و در این روابط از پارامترهای با بعد و بیبعد مختلفی به منظور تخمیناستفاده گردیده است. در این تحقیق دو سری پارامترهای دارای بعد و بدون بعد که انتظار میرود بر آبشستگی پایه پلموثر باشند انتخاب گردید. سپس با استفاده از سه روش آزمون گاما ) GT (، تحلیل مولفههای اصلی ) PCA ( و رگرسیونگام به گام ) FS ( پارامترهای موثر بر آبشستگی از بین کل پارامترها انتخاب شدند. با استفاده از آزمون گاما مشخص شدمهمترین پارامتر دارای بعد و بدون بعد به ترتیب سرعت بحرانی و نسبت طول به عرض پایه پل است و شکل پایهکمترین تاثیر را در تخمین دارد. همچنین مشخص گردید تعداد مناسب داده به منظور آموزش مدل ۰۶۳ عدد است. بااستفاده از تکنیک ماشین بردار پشتیبان ) SVM ( اقدام به شبیهسازی و تخمین عمق آبشستگی با استفاده ازپارامترهای تعیین شده توسط سه روش گردید. نتایج نشان داد پارامترهای بیبعد تعیین شده توسط هر سه روش دقتکمی در تخمین عمق آبشستگی دارند اما تکنیک SVM توانسته با استفاده از پارامترهای دارای بعد تخمین قابل قبولیارائه دهد. مقدار ضریب تعیین تکنیک SVM با استفاده از پارامترهای ورودی روشهای GT ، PCA و FS در مرحله۳ و خطای / ۳ و ۴۷ /۶۶ ،۳/ آزمون به ترتیب برابر با ۴۷ RMSE ۳ متر گردید. در این / ۳ و ۶۷ /۶۵ ،۳/ به ترتیب برابر ۶۶تحقیق به منظور افزایش دقت، دو ترکیب مختلف از پارامترهای ورودی برای تخمین آبشستگی با اعماق کم و زیادتعیین گردید. دقت حاصل از پیشبینی عمق آبشستگی SVM با روابط تجربی مقایسه گردید و نتایج نشان داد SVMقابلیت بالایی در تخمین عمق آبشستگی با استفاده از پارامترهای دارای بعد دارد.

نویسندگان

مرتضی سیدیان

گروه مهندسی آب، دانشگاه گنبد کاووس

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • بازرگانی لاری، ع. ۱۳۸۴. رگرسیون خطی کاربردی. چاپ اول. انتشارات ...
  • ظهیری، ج.، م. ظهیری و م. سالاری جزی. ۱۳۹۱. برآورد ...
  • غضنفری هاشمی س. و اعتماد شهیدی ا. ۱۳۹۱. پیش­بینی عمق ...
  • Bateni, S. M., S. M. Borghei and D.S. Jeng. ۲۰۰۷a. ...
  • Bateni, S. M., D. S. Jeng and B. W. Melville. ...
  • Breusers, H. N. C., G. Nicollet and H. W. Shen. ...
  • Corcoran, J., I. Wilson and J. Ware. ۲۰۰۳. Predicting the ...
  • Dargahi, B. ۱۹۹۰. Controlling mechanism of local scouring. Journal of ...
  • Dibike, Y. B., S. Velickov, D. P., Solomatine and M. ...
  • Durrant, P. J. ۲۰۰۱. wingamma: A Non-linear Data Analysis and ...
  • Ettema, R., B. W. Melville and B. Barkdoll . ۱۹۹۸. ...
  • Firat, M. and M. Gungor . ۲۰۰۹. Generalized Regression Neural ...
  • Hancu, S. ۱۹۷۱. Sur le calcul des affouillements locaux dams ...
  • Hong, J. H., Y. M., Chiew, J. Y., Lu, J. ...
  • Ismail, A., D. S. Jeng, L. L. Zhang, and J. ...
  • Laursen, E. M. and A. Toch. ۱۹۵۶. Scour around bridge ...
  • Lee, T. L., D. S. Jeng, G. H. Zhang and ...
  • Mahesh P., N. K. Singh and N. K. Tiwari. ۲۰۱۱. ...
  • Melville, M. and C. Coleman. ۲۰۰۰. Bridge Scour, Water Resource ...
  • Moghaddamnia, A., M. Ghafari-Gousheh , J. Piri, S. Amini, and ...
  • Mueller, D. S. and C. R. Wagner. ۲۰۰۵. Field observations ...
  • Noori, R., A. R. Karbassi, A. Moghaddamnia, D. Han, M. ...
  • Pai, P. and C. Lin. ۲۰۰۵. A hybrid ARIMA and ...
  • Piri, J., S. Amin, A. Moghaddamnia, A. Keshavarz, D. Han ...
  • Remesan, R., M. A. Shamim and D. Han. ۲۰۰۸. Model ...
  • Shen, H. W. ۱۹۷۱. River Mechanics. Colorado State University, Fort ...
  • Shirole, A. M. and R. C. Holt. ۱۹۹۱. Planning for ...
  • Tsui, A. P. M., A. J. Jones and A. G. ...
  • Vapnik, V. ۱۹۹۵. The Nature of Statistical Learning Theory. Springer-Verlag, ...
  • Wang, X. X., S. Chen, D. Lowe and C. J. ...
  • Zhang, Y., H. Li, A. Hou and J. Havel. ۲۰۰۶. ...
  • Zhang Y. X. ۲۰۰۷. Artificial neural networks based on principal ...
  • Zhou, J., J. Shi and G. Li. ۲۰۱۱. Fine tuning ...
  • نمایش کامل مراجع