بررسی عمق آبشستگی خطوط لوله عبوری از رودخانه با استفاده از ANN

آبشستگی (Scour) پدیده ای است که در اثر جریان آب، مواد بستر رودخانه یا کانال از اطراف سازه هایی مانند خطوط لوله عبوری برداشته می شوند. این فرسایش موضعی می تواند به تخریب بستر و کاهش پایداری خطوط لوله منجر شود. خطرات ناشی از آبشستگی شامل ناپایداری و شکست سازه ها، آسیب به زیرساخت ها، نشتی یا پارگی لوله ها و در موارد بحرانی حتی منجر به فجایع زیست محیطی و اقتصادی می شود. مدیریت صحیح و پیش بینی دقیق عمق آبشستگی برای جلوگیری از این مخاطرات بسیار حائز اهمیت است. در این پژوهش، کارایی روش شبکه عصبی مصنوعی (ANN) برای پیش بینی عمق آبشستگی مورد ارزیابی قرار گرفته است. به منظور اعتبارسنجی این روش از ۳۶ مجموعه داده آزمایشگاهی استفاده شده است. پارامترهای هندسی و هیدرولیکی مورد بررسی شامل (𝑑𝑠𝑚𝑎𝑥, 𝐷.𝑒, 𝐷.𝑦, 𝐷.Fr.𝐿, 𝐷) می باشد. نتایج حاصل از روش شبکه عصبی مصنوعی (Artificial Neural Network – ANN) در مرحله آموزش و آزمون ترکیب برتر (ترکیب اول) نشان داد که شاخص های ارزیابی DC، RMSE و ۲R به ترتیب برابر است با ۰.۹۹۳۲، ۰.۰۲۷۲، ۰.۹۹۲۵، ۰.۸۹۵۹، ۰.۱۱۸۰، ۰.۸۹۲۵ که این نتایج حاکی از آن است که ترکیب برتر (ترکیب اول) خروجی بهینه تری نسبت به سایر ترکیبات ارائه داده و دقت بالای روش ANN در پیش بینی عمق آبشستگی را تایید می کند. علاوه بر این، تحلیل حساسیت نشان داد که پارامتر (𝑒, 𝐷) بیشترین تاثیر را در تعیین عمق آبشستگی در مقایسه با سایر پارامترها دارد.

کلیدواژه ها:

آبشستگی ، آنالیز حساسیت ، خطوط لوله ، شبکه عصبی مصنوعی(ANN)