ارزیابی مدل یادگیری ترکیبی متا در تخمین عمق آبشستگی گروه های شمع

آبشستگی، چالش اصلی مهندسی رودخانه، با تخریب پل ها در سیلاب ها، هزینه های مالی را به دنبال دارد. این مطالعه با هدف تخمین عمق آبشستگی (Dse/Dp) اطراف گروه های شمع، پارامترهای هیدرودینامیکی و هندسی را بررسی کرد. بدین منظور با جمع آوری ۲۹۹ داده های آزمایشگاهی از منابع مختلف، داده ها به دو بخش آزمایش و آزمون تقسیم بندی شد. به عنوان ورودی مدل های یادگیری ماشین، شامل شبکه عصبی مصنوعی (ANN)، بردار پشتیبان (SVR)، الگوریتم تقویت گرادیان شدید (XGboost) و مدل یادگیری ترکیبی متا (Stacking) همچنین برای تنظیم ابرپارامترهای مدل از روش جستجوی شبکه ای Gridsearch به منظور ایجاد رگرسیون موثر استفاده شد. در ارزیابی عملکرد مدل ها، مدل ANN به مقدار ۰/۸۷ R² =و مدل SVR به ۰/۹۱ R² =دست یافتند. مدل XGBoost با ۰/۹۴ R² =و ۰/۲۸ RMSE ≈ توانست عملکرد دقیق تری نسبت به دو مدل دیگر ارائه دهد. درنهایت، مدل ترکیبی Stacking با بهره گیری از خروجی مدل های پایه، بهترین عملکرد را ثبت کرده و مقدار ۹۶/۰  R² = و ۰/۱۱  RMSE =را به دست آورد که این نتایج به معنی افزایش حدود ۱۵ درصدی دقت نسبت به ANN و ۷ درصد نسبت به XGBoost است. به طور کلی یافته ها نشان می دهد که استفاده از مدل های ترکیبی یادگیری ماشین، به ویژه Stacking، می تواند رویکردی دقیق و کارآمد برای پیش بینی عمق آبشستگی پیرامون گروه های شمع و تحلیل رفتارهای پیچیده جریان در سامانه های هیدرولیکی باشد.

کلیدواژه ها:

Pile groups ، Scour depth ، Clear-water conditions ، Machine learning ، Stacking mode. ، گروه های شمع ، عمق آبشستگی ، شرایط آب زلال ، یادگیری ماشین ، مدل stacking