کاربرد مدل Voting Regression در تخمین آبشستگی پایه پل

آبشستگی پایه پل یکی از چالشهای اساسی در طراحی و نگهداری سازه های هیدرولیکی است که می تواند منجر به ناپایداری و تخریب پل ها شود. بنابراین، تخمین دقیق عمق آبشستگی نقش مهمی در ایمنی این سازه ها دارد. تاکنون معادلات تجربی متعددی برای این منظور توسعه یافته اند، اما دقت آنها به داده های مورد استفاده وابسته است. از این رو مطالعات اخیر بر استفاده از روش های نوین از جمله یادگیری ماشین متمرکز شده اند. در این پژوهش یک مدل مبتنی بر یادگیری ماشین به نام Voting Regression (VR) برای تخمین آبشستگی پایه پل ارائه شده است. این مدل با ترکیب چندین الگوریتم یادگیری ماشین دقت پیش بینی را افزایش می دهد. در این پژوهش برای پیاده سازی مدل VR از روش های مبتنی بر درخت تصمیم، شامل Histogram Gradient Boosting، CatBoost، XGBoost، Random Forest، Decision Tree و Light Gradient Boosting استفاده شد. همچنین عملکرد مدل پیشنهادی با روش های Support Vector Regressor، Artificial Neural Network و Multiple Linear Regression و چندین معادله تجربی مقایسه گردید. تحلیل ۸۵۹ نمونه داده نسبت به معیارهای آماری مختلف و نتایج تحلیل اطمینان نشان داد که مدل VR دقت بالاتری نسبت به سایر روش ها دارد و می تواند به عنوان ابزاری کارآمد در مطالعات مهندسی هیدرولیک مورد استفاده قرار گیرد.

کلیدواژه ها:

هیدرولیک ، عمق آبشستگی ، یادگیری ماشین ، Voting Regression