ارزیابی عملکرد روشهای دادهکاوی و روابط تجربی در تخمین عمق آبشستگی اطراف پایه‌های پل
محورهای موضوعی : مقالات برگرفته از پایان نامه
محمدتقی ستاری
1
(محمدتقی ستاری، عضو هیئت علمی گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز)
علی رضازاده جودی
2
(کارشناس ارشد عمران آب، باشگاه پژوهشگران جوان و نخبگان، واحد مراغه، دانشگاه آزاد اسلامی، مراغه، ایران.)
هادی ارونقی
3
(عضو هیئت علمی گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز)
کلید واژه: دادهکاوی, شبکه‌ی عصبی مصنوعی, آبشستگی موضعی, نرمافزار درختی M5, روابط تجربی,
چکیده مقاله :
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.
Local scour at . bridge pieds is one of the numeroussafty hazaraels that the eaten their stability. An abundance of such facfors and their complexities, along with a mulfiplicity ofempirical relationships, make the development of an integrated approach for estimation of scour depth very difficult. However, the presence of novel data-mining approaches such as the artificial nevral networks (ANN) and the M5 Tree Model has facilitated the solution of complicated engineering problems. In this study by using laboratory data and identifying 10 scenarios including different combinations of effective parameters in scour depth, the performance of ANN and M5 tree models have been investigated and results compared with 3 empirical relationships (Melville, Mississippi and HEC-18). The results indicated that the M5 Tree Model via presenting 2 simple if-then rules and may CC=0.95 in comparison with the other ANN and empirical approaches may estimate scour depth with high accuracy. The results ahso indicated that between the 3 used empirical relations, HEC-18, Mississippi and Melville relations presents high accuracy, respecfively.
1) اردشیر ع، کرمی ح، صانعی م، سلامتیان س. ا، 1389. بررسی توسعه زمانی آبشستگی اطراف آبشکنهای نفوذناپذیر در نهر مستقیم و پیش بینی آن با شبکه ی عصبیهای مصنوعی. مجله علوم و مهندسی آبخیزداری ایران. 13(4): 39-50.
2) ارونقی ه، حسینزاده دلیر ع، فرسادیزاده د،. فاخریفرد ا، 1387. تغییرات زمانی ژرفای آبشستگی اطراف پایه ی پل و رابطه تجربی آن. مجله دانش کشاورزی. 18(2): 1-10.
3) زراتی ا، عزیزی م، 1375. بررسی روشهای کنترل و کاهش آبشستگی در پایه های پلها. دانشگاه تهران. اولین کنفرانس آبشناسی ایران. 261-267.
4) شریف زاک م، بارانی غ، 1390. پیش بینی دبی جریان در نهرهای مرکب با استفاده از الگوریتم
شبکه های عصبی. اولین کنفرانس ملی عمران و توسعه زیباکنار.
5) شفاعی بجستان م، 1382. هیدرولیک رسوب. انتشارات دانشگاه شهید چمران. چاپ دوم.
6) علیخانزاده ا، 1384. داده کاوی. انتشارات علوم کامپیوتر. چاپ اول،
7) فلاحی م ر، وروانی ه، گلیان س، 1390. پیش بینی بارش با استفاده از مدل رگرسیون درختی به منظور کنترل سیل. پنجمین کنفرانس سراسری آبخیزداری و مدیریت منابع آب وخاک کرمان.
8) کوچک زاده ص، لیاقت ع، شیخ شمایل ح، 1380. تخمین آبشستگی موضعی در اطراف پایه های واقع در مجرای اصلی آبراهه ها به کمک شبکه ی عصبی مصنوعی. 33(4): 617-626.
9) یاسا ر، شهیدی ا ا، 1389. پیش بینی آبشستگی اطراف خطوط لوله در بستر دریا تحت تاثیر امواج دریا. نهمین کنفرانس هیدرولیک ایران دانشگاه تربیت مدرس.
10) Alberg, D., M. Last, and A. Kandel, 2012. Knowledge discovery in data streams with regression tree methods. WIREs Data Mining Knowledge Discover 2: 69-78.
11) Ayubloo, M. K., H.M, Azamathulla, Z. Ahmad, A. Gani, A, J. Mahjoobi, and A. Rasekh, 2011. Prediction of scour depth in downstream of ski-jump spillways using soft computing techniques. Int Journal Comput Appl, 33: 92-97.
12) Azamathulla, H. MD. Haque, 2012 Prediction of scour depth at culvert outlets using gene-expression programing. Int Journal Innov Comput Information Control, 8: 5045-5054.
13) Azamathulla, H., A. Ghani, N. Zakaria, and A. Guven. 2010. Genetic programming to predict bridge pier scour. J. Hydraul. Eng.,136: 165–169.
14) Bhattacharya, B., and Solomatine D.P, 2004. Neural networks and M5 model trees in modeling water level-discharge relationship. The Netherlands. Department of Hydro - informatics and Knowledge Management. UNESCO-IHE Institute for Water Education, P.O. Box 3015, 2601 DA Delft.
15) Breusers, N. H. C., andA. J. Raudkivi, 1991 scouring. 2nd hydraulic structures design manual, The Netherlands. IAHR, A.A.Balkema, Roterdam.
16) Froehlich, D.C. 1988. Analysis of on-site measurements of scour at piers. Proc the ASCE Hydraulic Eng Conf. pp. 534 – 539.
17) Kumar Goyal, Manish, and C. S. P Ojha. 2011. Estimation of scour downstream of a ski-Jump bucket using support vector and M5 Model Tree. Water Resour Manage, 25: issue 2177-2195.
18) Pal Mahesh, N., K. Singh, and N. K. Tiwari. 2012. M5 Model tree for pier scour prediction using field dataset. KSCE Civil Eng 16:1079-1084.
19) Melville, B.W. 1997. Pier and abutment scour: integrated approach. J Hydraul Eng ASCE 132:125-136.
20) Melville, B. W., and A. J. Sutherlands, 1988 Design method for local scour at bridge piers. J. Hydraul. Eng, ASCE, 114: 1210-1226.
21) Quinlan, J.R. 1992. Learning with continuous classes. Singapore. 343-348 In Proceedings AI,92 (Adams & Sterling, Eds). World Scientific. 343-348.
22) Richardson, E.V., L.J. Harrison, J.R. Richardson, and S.R. Davis, 1993. Evaluating scour at bridges (2nd ed.): Washington, DC. Federal Highway Administration Hydraulic Engineering Circular, April 1993 revision, FHWA–IP–90–017, 237 p.
23) Samadi, M., E. Jabbari, Azamathulla, H. M. 2014. Assessment of model tree and classification and regression trees for prediction of scour depth below free over fall spillways. Neural Comput & Applic. 24: 357–366. DOI 10.1007/s00521-012-1230-9.
24) Shahidi, A E, and N. Ghaemi, 2011. Model tree approach for prediction pile groups scour due to waves. Ocean eng. 13: 1522-1527.Shahidi, A E. R. Yasa, and., M. H. Kazemnejhad, 2011. Prediction of wave-induced scour depth under submarine pipelines using machine learning approach. Appl Ocean Res, 33: 54-590.
25) Shirolc, A. M., R.C. and Holt, 1991. Planning for a comprehensive bridge safety assurance. Transport Res. Rec. 1290: 39-50.
26) Wilson, K.V, Jr., 1995. Scour at selected bridge sites in Mississippi: Reston, VA, U.S, Geological Survey Water-Resources Investigations Report 94–4241, 44 p.
27) Yanmaz, A. Melih., Cicekdag, Ozgur, 2001. Composite reliability model for local scour around cylindrical bridge piers. Can. J. Civ. Eng. 28: 520-535.
