بررسی عمق آبشستگی خطوط لوله عبوری از رودخانه با روش های هوش مصنوعی

آبشستگی موضعی اطراف خطوط لوله یکی از عوامل مهم ناپایداری بستر و آسیب به زیرساخت های انتقال سیال است که می تواند پیامدهای فنی و زیست محیطی جدی به همراه داشته باشد. در این پژوهش، کارایی سه روش هوش مصنوعی شامل شبکه عصبی مصنوعی، ماشین بردار پشتیبان و کیونت در پیش بینی عمق آبشستگی با استفاده از ۳۶ مجموعه داده آزمایشگاهی ارزیابی شد. پارامترهای ورودی شامل قطر لوله، فاصله از بستر، عمق جریان، عدد فرود و طول لوله بوده و دقت مدل ها با شاخص های آماری مختلف بررسی گردید. نتایج هوش مصنوعی نشان داد که روش شبکه عصبی مصنوعی (روش برتر) در مرحله آموزش مربوط به ترکیب برتر با شاخصه های مورد ارزیابی ریشه میانگین مربعات خطا، مجذور ضریب همبستگی و ضریب تبیین در مراحل آموزش و آزمون به ترتیب برابر است با ۰۲۷۲/۰، ۹۹۳۲/۰، ۹۹۲۵/۰ و ۱۱۸۰/۰، ۸۹۵۹/۰، ۸۹۳۵/۰ می باشد. نتایج آنالیز حساسیت نیز نشان داد که حذف پارامتر فاصله لوله از بستر منجر به کاهش دقت مدل و افزایش میزان خطا شده است. این نتیجه بیانگر این است که تغییرات فاصله لوله از بستر به طور مستقیم بر عمق آبشستگی تاثیر می گذارد. این مطالعه نشان می دهد که هر سه روش هوش مصنوعی با دقت بالا می توانند جایگزین مناسبی برای مدل های تجربی سنتی باشند و می توانند در کاهش ریسک ها و هزینه های مرتبط با خرابی سازه های زیرآبی و مدیریت بهینه زیرساخت های هیدرولیکی موثر باشند.

کلیدواژه ها:

شبکه های عصبی مصنوعی (ANN) ، فرسایش ، مدل QNET ، پارامترهای آماری ، ماشین بردار پشتیبان (SVM)