برآورد بیشترین عمق آبشستگی موضعی کف کانالهای مستطیلی با استفاده از مدلهای هوش مصنوعی بر مبنای داده کاوی

در مقاطع مختلف کانال های مستطیلی، جریان مکانیسم متفاوتی دارد و حفاظت از بستر کانال در آبراهه ها در مقابل پدیده آبشستگی موضوع بسیار مهمی در طراحی کانال است. بررسی های میدانی و تجربی زیادی برای ایجاد رابطه بین عمق آبشستگی به دلیل عرض منقبض شده و متغیرهای حاکم انجام شده است. با این حال معادلات تجربی موجود به دلیل پیچیدگی فرآیند آبشستگی همیشه نتوانستند پیش بینی دقیقی از پدیده آبشستگی ارائه دهند. این مقاله به بررسی عمق آبشستگی موضعی در مقاطع تنگ کانال های مستطیلی با استفاده از مدل های هوش مصنوعی جنگل تصادفی (RF)، گرادیان ارتقاقدرتمند (XGB) و ماشین های بردار پشتیبان (SVM) می پردازد. پارامترهای موثر بر آبشستگی که به عنوان ورودی استفاده شده شامل سرعت جریان، متوسط سرعت، آستانه بحرانی حرکت رسوب، عمق جریان، قطر ذرات میانه، انحراف استاندارد هندسی، عرض کانال غیر انقباض و منقبض از داده های تجربی جمع آوری شده از مطالعات مختلف است. پارامترهای بدون بعد حاصل از آنالیز ابعادی جهت آموزش ۴ مدل هوش مصنوعی استفاده شده است. عملکرد مدل های مختلف با معادلات پیش بینی آبشستگی موجود با استفاده از شاخص های آماری و نمودارهای ترسیمی مقایسه شد و در نهایت نتایج نشان می دهد که مدل گرادیان ارتقاقدرتمند می تواند عمق آبشستگی را با دقت بیشتری نسبت به روش جنگل تصادفی و ماشین های بردار پشتیبان و معادلات موجود پیش بینی کند. در نهایت بررسی آنالیز حساسیت داده های ورودی نشان داد پارامتر ورودی بدون بعد dso/b۱ بیشترین تاثیرگذاری را در تخمین عمق آبشستگی دارد.

کلیدواژه ها:

آبشستگی ، کانال مستطیلی ، هوش مصنوعی ، گرادیان ارتقاقدرتمند ، جنگل تصادفی ، ماشین بردار پشتیبان