پیش بینی عمق آبشستگی موضعی اطراف پایه های پل استوانه ای در بسترهای با خاک چسبنده با استفاده از روش های فرامدلی

آبشستگی، پدیده ای فرسایشی ناشی از جریان آب در رودخانه ها، به ویژه اطراف پایه های پل است که فرآیندی تابع زمان بوده و در صورت تخمین نادرست عمق آن، طراحی پی ها را ناکافی یا غیراقتصادی می کند و خطر خرابی سازه ای را افزایش می دهد. مطالعه و بررسی روش های موثر برای تخمین میزان آبشستگی به منظور طراحی درست سازه ای از اهمیت ویژه ای برخوردار است. پژوهش های اخیر نشان داده اند تکنیک های نوین یادگیری ماشین و الگوریتم های هوش مصنوعی به عنوان ابزارهای پیشرفته برای تحلیل و پیش بینی آبشستگی مورد توجه قرار گرفته اند. استفاده از این تکنیک های پیشرفته می تواند به بهینه سازی روش های حفاظتی و طراحی و در نهایت به ارتقای ایمنی و پایداری سازه های پل کمک شایانی نماید. ازاین رو در این پژوهش، عملکرد روش هایSVM ، QNET و ANN در پیش بینی عمق آبشستگی موضعی اطراف پایه های پل استوانه ای در بسترهای با خاک چسبنده به کمک ۱۲۲ سری داده آزمایشگاهی مورد ارزیابی قرار گرفت تا اثربخشی این روش ها در تخمین این پدیده و بهبود عملکرد سازه های پل بررسی شود. پارامترهای هندسی و هیدرولیکی مورد استفاده در این پژوهش شامل عدد فرود پایه، عمق بی-بعد جریان نزدیک شونده، اندازه بی بعد ذره رسوب و مقاومت برشی بستر می باشد. نتایج نشان داد این روش ها در ۹۶ درصد موارد پیش بینی های دقیقی ارائه می دهند. مدل QNET در ۹۲ درصد موارد عملکرد بهتری نسبت به SVM و ANN داشته و دقت پیش بینی را تا ۹۸ درصد افزایش داد. در مقایسه، SVM در ۸۰ درصد و ANN در ۸۵ درصد موارد نتایج قابل قبولی نشان دادند، اما QNETدر تم تعیین عمق آبشستگی است و تغییرات آن می تواند تا ۳۰ درصد عمق فرسایش را تغییر دهد. در نهایت این پژوهش راهکاری دقیق و موثر برای پیش بینی آبشستگی ارائه می دهد که به مهندسان کمک می کند پل هایی مقاوم تر و اقتصادی تر طراحی کنند.

کلیدواژه ها:

آبشستگی ، پایه های پل ، عمق فرسایش ، خاک چسبنده ، روش های فرامدلی