تحلیل حساسیت و عدم قطعیت در مدل سازی آبشستگی پایه پل با استفاده از ماشین بردار پشتیبان

آبشستگی اطراف پایه های پل یک خطر قابل توجه در مهندسی رودخانه و سواحل محسوب می شود که می تواند به شکست سازه ای منجر گردد. روش های متداول پیش بینی عمق آبشستگی، به دلیل پیچیدگی های ذاتی درولیکی و عدم قطعیت های موجود، اغلب با محدودیت هایی در دقت مواجه هستند. این پژوهش به بررسی قابلیت روش یادگیری ماشین بردار پشتیبان (SVM) برای تخمین دقیق تر عمق آبشستگی می پردازد. با بهره گیری از داده های آزمایشگاهی برای هر دو نوع بستر چسبنده و دانه ای، مدل های مختلف SVM توسعه داده شده و تاثیر پارامترهای درولیکی و خاکی ارزیابی شد. نتایج نشان داد که SVM کارایی بالایی در پیش بینی آبشستگی دارد، به خصوص در خاک های چسبنده که نتایج دقیق تری نسبت به خاک های دانه ای به دست آمد. مشخص شد که عواملی چون میزان رطوبت و درصد تراکم خاک، نقش مهمی در مدل سازی آبشستگی خاک های چسبنده ایفا می کنند. تحلیل حساسیت مدل، پارامترهای رطوبت (برای ترکیب رس-ماسه)، تنش برشی بی بعد و درصد تراکم (برای رس) و عدد فرود پایه (برای خاک غیرچسبنده) را به عنوان موثرترین متغیرهای ورودی شناسایی کرد. علاوه براین، تحلیل عدم قطعیت با استفاده از روش مونت کارلو، قابلیت اطمینان مناسب و رضایت بخش مدل SVM را در مواجهه با عدم قطعیت های مدل سازی تایید نمود.

کلیدواژه ها:

آبشستگی ، پایه پل ، خاک چسبنده ، خاک دانه ای ، ماشین بردار پشتیبان ، عدم قطعیت