پیش بینی عمق و طول آبشستگی اطراف خطوط لوله مدفون با استفاده از روش های یادگیری ماشین

آبشستگی موضعی پیرامون خطوط لوله مدفون در بستر رودخانه ها یکی از عوامل مهم ناپایداری بستر و آسیب پذیری زیرساخت های انتقال سیال به شمار می رود که در صورت برآورد نادرست می تواند منجر به خسارات فنی، اقتصادی و زیست محیطی قابل توجه شود. ازاین رو، توسعه روش های دقیق برای پیش بینی هندسه چاله آبشستگی نقش مهمی در طراحی ایمن و اقتصادی این سازه ها دارد. پژوهش های اخیر نشان داده اند که روش های یادگیری ماشین و الگوریتم های هوش مصنوعی به عنوان ابزارهای کارآمد برای تحلیل و پیش بینی پدیده های پیچیده هیدرولیکی مورد توجه قرار گرفته اند. در این پژوهش، عملکرد سه روش یادگیری ماشین شامل شبکه عصبی مصنوعی (ANN)، ماشین بردار پشتیبان (SVM) و الگوریتم k-نزدیک ترین همسایه (KNN) در پیش بینی هندسه چاله آبشستگی موضعی شامل عمق حداکثر و طول حداکثر در حضور تیغه غیرقابل نفوذ بررسی شد. تحلیل ها بر پایه ۶۴ سری داده آزمایشگاهی انجام گرفت. پارامترهای هیدرولیکی و هندسی مورد استفاده شامل عدد فرود جریان، نسبت دفن اولیه لوله به عرض کانال و نسبت قطر لوله به عرض کانال بود. نتایج نشان داد که مدل شبکه عصبی مصنوعی با ضریب تعیین بیش از ۹۶/۰ در پیش بینی عمق و طول چاله آبشستگی، عملکرد دقیق تر و پایدارتری نسبت به دو روش دیگر ارائه می دهد، در حالی که مدل های SVM و KNN دقت کمتری نشان دادند. همچنین نتایج تحلیل حساسیت مشخص کرد که نسبت دفن اولیه لوله به عرض کانال مهم ترین پارامتر موثر در تعیین هندسه آبشستگی موضعی است. در مجموع، نتایج این پژوهش نشان می دهد که روش های یادگیری ماشین، به ویژه شبکه عصبی مصنوعی، می توانند به عنوان ابزاری موثر برای پیش بینی آبشستگی و بهبود طراحی و ایمنی خطوط لوله مدفون در بستر رودخانه ها مورد استفاده قرار گیرند.

کلیدواژه ها:

آبشستگی موضعی ، خط لوله مدفون ، تیغه غیرقابل نفوذ ، یادگیری ماشین ، شبکه عصبی مصنوعی