تحلیل حساسیت پارامترهای مؤثر بر عمق آبشستگی در پائین‌دست پایه‌های پل جفت با استفاده از ماشین آموزش نیرومند

الموضوعات :

سیامک امیری ¹ (دانشجوی دکتری منابع آب، گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه ایران.)
محمد علی ایزدبخش ² (استادیار، گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه ایران.)
سعید شعبانلو ³ (دانشیار، گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه ایران.)

تاريخ الإرسال : 11 الإثنين , صفر, 1442 تاريخ التأكيد : 14 السبت , جمادى الأولى, 1443 تاريخ الإصدار : 20 الخميس , رمضان, 1443

الکلمات المفتاحية: عمق آبشستگی, تحلیل حساسیت مشتق نسبی, ماشین آموزش نیرومند, پایههای پل جفت, تحلیل عدم قطعیت,

ملخص المقالة :

زمینه و هدف: آبشستگی موضعی به‌عنوان یکی از عوامل مهم که باعث گسیختگی سازه پل‌ها، موج‌شکن‌ها و اسکه‌ها می‌شود شناسایی شده است. پیچیدگی مکانیزم آبشستگی باعث شده است که این موضوع یکی از مهم‌ترین زمینه‌های مطالعاتی مهندسی عمران باشد. در سال-های اخیر، مطالعات فراوانی بر روی آبشستگی موضعی اطراف پایه‌های پل انجام گرفته است. به دلیل اهمیت زیاد پیش‌بینی و تخمین الگوی آبشستگی در مجاورت پایه‌های پل مطالعات فراوانی بر روی این نوع از سازه‌ها انجام شده است.روش پژوهش: در این مطالعه برای اولین بار با استفاده از روش جدید ماشین آموزش نیرومند (ELM)، عمق آبشستگی در مجاورت پایه‌های پل دوقلو شبیه‌سازی شد. ابتدا پارامترهای مؤثر شناسایی گردید و چهار مدل ELM توسعه داده شد. سپس به کمک شبیه‌سازی مونت کارلو و روش اعتبار سنجی ضربدری نتایج عددی اعتبار سنجی شدند. در ادامه تابع فعال‌سازی sin به‌عنوان بهترین تابع فعال-سازی تعیین شد. علاوه بر این نتایج ELM با مدل‌های شبکه عصبی مصنوعی مقایسه گردید که مدل‌های ELM مقادیر آبشستگی را با دقت بیشتری تخمین زدند. تحلیل عدم قطعیت برای مدل‌های برتر ELM و ANN اجرا گردید و برای مدل برتر یک رابطه پیشنهاد داده شد. برای کلیه پارامترهای ورودی تحلیل حساسیت مشتق نسبی (PDSA) نیز اجرا گردید.یافته‌ها: در میان توابع فعال سازی موجود، تابع sin دارای عملکردی بهینه در مقایسه با سایر توابع فعال سازی بود. با توجه به تجزیه و تحلیل نتایج مدل سازی، مدل ELM 1 به‌عنوان مدل برتر معرفی شد. این مدل تابعی از کلیه پارامترهای ورودی بود. همچنین با حذف عدد فرود دقت مدل عددی به شکل قابل ملاحظه ای کاهش یافت فلذا پارامتر مذکور نیز به عنوان مؤثرترین پارامتر در مدل سازی آبشستگی در اطراف پایه های پل دوقلو توسط مدل ماشین آموزش نیرومند شناسایی شد.نتایج: با تجزیه و تحلیل نتایج مدل سازی، مدل برتر ELM معرفی کردید. نتایج مدل های ELM با مدل های ANN نیز مقایسه شد که نشان داده شد مدل های ELM مقادیر آبشستگی را با دقت بیشتری شبیه سازی می کنند. برای مدل برتر ELM یک رابطه برای محاسبه عمق حفره آبشستگی پیشنهاد داده شد و در ادامه تحلیل عدم قطعیت نشان داد که این مدل دارای عملکردی بیشتر از مقدار واقعی بود. علاوه بر این تحلیل حساسیت مشتق نسبی برای پارامترهای ورودی نشان داد که با افزایش عدد فرود مقدار تابع هدف (عمق آبشستگی) افزایش می یابد.

المصادر:

Azamathulla, H.M. 2012. Gene-expression programming to predict scour at a bridge abutment. Journal of Hydroinformatics, 14(2): 324-331.

Azimi, H., Bonakdari, H. and Ebtehaj, I. 2017. Sensitivity Analysis of the Factors Affecting the Discharge Capacity of Side Weirs in Trapezoidal Channels using Extreme Learning Machines. Flow Measurement and Instrumentation, 54: 216-223.

Azimi, H., Bonakdari, H., and Ebtehaj, I. 2019. Gene expression programming-based approach for predicting the roller length of a hydraulic jump on a rough bed. ISH Journal of Hydraulic Engineering, 1-11.

Azimi, H., Bonakdari, H., Ebtehaj, I., Shabanlou, S., Talesh, S. H. A., and Jamali, A. 2019. A Pareto design of evolutionary hybrid optimization of ANFIS model in prediction abutment scour depth. Sādhanā, 44(7), 1-14.

Azimi, H., Bonakdari, H., Ebtehaj, I., Talesh, S.H.A., Michelson, D.G. and Jamali, A. 2016. Evolutionary Pareto optimization of an ANFIS network for modeling scour at pile groups in clear water condition. Fuzzy Sets and Systems, 319: 50-69.

Bonakdari, H., Moradi, F., Ebtehaj, I., Gharabaghi, B., Sattar, A. A., Azimi, A. H., and Radecki-Pawlik, A. 2020. A non-tuned machine learning technique for abutment scour depth in clear water condition. Water, 12(1), 301.

Ebtehaj, I., Bonakdari, H., Moradi, F., Gharabaghi, B., and Khozani, Z. S. 2018. An integrated framework of Extreme Learning Machines for predicting scour at pile groups in clear water condition. Coastal Engineering, 135, 1-15.

Ebtehaj, I., Sattar, A. M., Bonakdari, H., and Zaji, A. H. 2017. Prediction of scour depth around bridge piers using self-adaptive extreme learning machine. Journal of Hydroinformatics, 19(2), 207-224.

Firat, M. and Gungor, M. 2009. Generalized regression neural networks and feed forward neural networks for prediction of scour depth around bridge piers. Advances in Engineering Software, 40(8): 731-737.

Huang, G.B., Zhu, Q.Y. and Siew, C.K. 2004. Extreme learning Machine: a new learning scheme of feedforward neural networks. International Joint Conference on Neural Networks, 2: 985-90.

Liriano, S.L. and Day, R.A. 2001. Prediction of scour depth at culvert outlets using neural networks. Journal of Hydroinformatics, 3(4): 231-238.

Sharafi, H., Ebtehaj, I., Bonakdari, H. and Zaji, A.H. 2016. Design of a support vector machine with different kernel functions to predict scour depth around bridge piers. Natural Hazards, 84(3): 2145-2162.

Trent, R., Gagarin, N. and Rhodes, J. 1993. Estimating pier scour with artificial neural networks. In Hydraulic Engineering, (1043-1048). ASCE.

Wang, H., Tang, H., Liu, Q. and Wang, Y. 2016. Local scouring around twin bridge piers in open-channel flows. Journal of Hydraulic Engineering, 142(9): 06016008.

Yua, L., Danninga, Z. and Hongbinga C. 2015. Prediction of length-of-day using extreme learning machine. Geodesy and Geodynamics 16(2): 151–159.