بررسی توزیع تنش برشی به جهت برآورد ابعاد حفره آبشستگی در اطراف پایه های پل از اهمیت زیادی برخوردار است. ولی مروری بر پژوهش های انجام شده نشان می دهد که بررسی تنش برشی، اطراف پایه های حفاظت شده توسط روش های مختلف کنترل آبشستگی، از توجه کافی پژوهشگران برخوردار نبوده است. در این پژوهش یک مدل عددی سه بعدی برای مطالعه روند تغییرات تنش برشی پیرامون پایه پل همراه با صفحات مستغرق مورد استفاده قرار گرفته است. از طرفی به دلیل دشوار بودن محاسبه مقادیر تنش برشی در طبیعت، پژوهشگران روش هایی برای محاسبه غیرمستقیم این عامل ارائه نموده اند که یکی از این روش ها، استفاده از مدل شبه دوبعدی شینو و نایت (SKM) می باشد. در این پژوهش الگوی توزیع تنش برشی اطراف پایه با وجود تعداد مختلفی از صفحات (6 و 4، 2)، با دو زاویه قرارگیری نسبت به جریان (20و 30 درجه) و در شدت جریان 95/0 (شدت جریان بحرانی)، با هر دو روش مورد بررسی و مقایسه قرار گرفته است. نتایج هر دو مدل نشان می دهد که قرارگیری صفحات تاثیر به سزایی در کاهش سرعت جریان حین عبور از صفحات داشته و در نتیجه کاهش تنش برشی بستر در اطراف پایه را به دنبال دارد. همچنین بررسی تعداد و زاویه قرارگیری صفحات، نشان داد که تعداد 6 صفحه نسبت به 2 و 4 صفحه و همچنین زاویه 30 درجه نسبت به زاویه 20 درجه کارایی بهتری دارد به نحوی که تنش برشی را به میزان 12-15 درصد کاهش می دهد. تفاصيل المقالة

یکی از عواملی که همواره پل­ها را مورد تهدید قرار می­دهد، آب­شستگی موضعی می­باشد. پرشمار بودن فراسنج­های تاثیرگذار بر پدیده­ی آبشستگی و همچنین پیچیدگی فرایند آب­شستگی، بررسی این پدیده را با دشواری­های بسیار همراه نموده است. به­رغم تلاش­های زیاد صورت گرفته در این زمینه و تعدد روابط تجربی موجود، رابطه­ی کلی و جامعی برای تخمین عمق حفره­ی آب­شستگی در همه­ی شرایط موجود نیست. امروزه استفاده از روش­های نوین داده­کاوی، سامانه­های هوشمند و نرم­افزار درختی M5، برای حل و شبیه­سازی مسائل پیچیده­ی مهندسی آب مورد توجه واقع شده­اند. در این تحقیق، با استفاده از داده­های آزمایشگاهی و مشخص نمودن 10 نمایشنامه مختلف، شامل ترکیب­های متفاوتی از عوامل موثر بر آب­شستگی، سعی بر بررسی کارایی روش­های شبکه عصبی مصنوعی و نرم­افزار درختی M5 در تخمین عمق آب­شستگی پایه­ی پل و مقایسه­ی دستاوردها با نتایج روابط تجربی Melville، Mississippi و HEC-18 شده است. نتایج به­دست آمده نشان دادند نرم­افزار درختی M5، با ارائه­ی دو قانون ساده اگر-آن­گاه و با ضریب همبستگی 95/0 در مقایسه با روش شبکه­­های عصبی مصنوعی و روابط تجربی در تخمین آ­­ب­شستگی از کارایی بالایی برخوردار است. همچنین، مشخص گردید که برای داده­های آزمایشگاهی مورد استفاده در این تحقیق و از بین روابط تجربی موجود، روابط HEC-18، Mississippi و Melville به ترتیب از دقت نسبتا بالایی برخوردار می باشند. تفاصيل المقالة