تحلیل حساسیت پارامترهای موثر بر عمق آبشستگی در پائین دست پایه های پل جفت با استفاده از ماشین آموزش نیرومند

زمینه و هدف: آبشستگی موضعی به عنوان یکی از عوامل مهم که باعث گسیختگی سازه پل ها، موج شکن ها و اسکه ها می شود شناسایی شده است. پیچیدگی مکانیزم آبشستگی باعث شده است که این موضوع یکی از مهم ترین زمینه های مطالعاتی مهندسی عمران باشد. در سال-های اخیر، مطالعات فراوانی بر روی آبشستگی موضعی اطراف پایه های پل انجام گرفته است. به دلیل اهمیت زیاد پیش بینی و تخمین الگوی آبشستگی در مجاورت پایه های پل مطالعات فراوانی بر روی این نوع از سازه ها انجام شده است.روش پژوهش: در این مطالعه برای اولین بار با استفاده از روش جدید ماشین آموزش نیرومند (ELM)، عمق آبشستگی در مجاورت پایه های پل دوقلو شبیه سازی شد. ابتدا پارامترهای موثر شناسایی گردید و چهار مدل ELM توسعه داده شد. سپس به کمک شبیه سازی مونت کارلو و روش اعتبار سنجی ضربدری نتایج عددی اعتبار سنجی شدند. در ادامه تابع فعال سازی sin به عنوان بهترین تابع فعال-سازی تعیین شد. علاوه بر این نتایج ELM با مدل های شبکه عصبی مصنوعی مقایسه گردید که مدل های ELM مقادیر آبشستگی را با دقت بیشتری تخمین زدند. تحلیل عدم قطعیت برای مدل های برتر ELM و ANN اجرا گردید و برای مدل برتر یک رابطه پیشنهاد داده شد. برای کلیه پارامترهای ورودی تحلیل حساسیت مشتق نسبی (PDSA) نیز اجرا گردید. یافته ها: در میان توابع فعال­سازی موجود، تابع sin دارای عملکردی بهینه در مقایسه با سایر توابع فعال­سازی بود. با توجه به تجزیه و تحلیل نتایج مدل­سازی، مدل ELM ۱ به عنوان مدل برتر معرفی شد. این مدل تابعی از کلیه پارامترهای ورودی بود. همچنین با حذف عدد فرود دقت مدل عددی به شکل قابل ملاحظه­ای کاهش یافت فلذا پارامتر مذکور نیز به­عنوان موثرترین پارامتر در مدل­سازی آبشستگی در اطراف پایه­های پل دوقلو توسط مدل ماشین آموزش نیرومند شناسایی شد.نتایج: با تجزیه و تحلیل نتایج مدل­سازی، مدل برتر ELM معرفی کردید. نتایج مدل­های ELM با مدل­های ANN نیز مقایسه شد که نشان داده شد مدل­های ELM مقادیر آبشستگی را با دقت بیشتری شبیه­سازی می­کنند. برای مدل برتر ELM یک رابطه برای محاسبه عمق حفره آبشستگی پیشنهاد داده شد و در ادامه تحلیل عدم قطعیت نشان داد که این مدل دارای عملکردی بیشتر از مقدار واقعی بود. علاوه بر این تحلیل حساسیت مشتق نسبی برای پارامترهای ورودی نشان داد که با افزایش عدد فرود مقدار تابع هدف (عمق آبشستگی) افزایش می ­یابد.

کلیدواژه ها:

ماشین آموزش نیرومند ، تحلیل حساسیت مشتق نسبی ، عمق آبشستگی ، پایههای پل جفت ، تحلیل عدم قطعیت