تعداد نشریات | 43 |
تعداد شمارهها | 1,276 |
تعداد مقالات | 15,776 |
تعداد مشاهده مقاله | 51,888,498 |
تعداد دریافت فایل اصل مقاله | 14,705,054 |
مدلسازی عمق آبشستگی اطراف انواع تک پایه و گروه پایههای مایل | ||
دانش آب و خاک | ||
مقاله 5، دوره 30، شماره 3، مهر 1399، صفحه 61-74 اصل مقاله (850.73 K) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
مهدی ماجدیاصل* 1؛ سعیده ولیزاده2؛ فروغ اشکان3؛ الناز حسن پور4 | ||
1استادیار، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه مراغه | ||
2دانشجوی کارشناسی ارشد- گروه مهندسی عمران | ||
3مربی، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه مراغه | ||
4مدیر پروژه مهندسین کارلو، ارگن، آمریکا | ||
چکیده | ||
با توجه به اهمیت پدیده آبشستگی در طراحی پلها، امروزه برای بالا بردن دقت تخمین عمق آبشستگی از شبکههای عصبی مصنوعی بهره گرفته میشود. در این تحقیق برای پیش بینی عمق آبشستگی اطراف گروه پایه پل مایل از روشی نوین به نام ماشین بردار پشتیبان استفاده شده است که در این روش از پارامترهای آماری ، ، RMSE، برای ارزیابی کارایی مدلها استفاده شده است. نتایج نشان داد، ترکیباتی که دارای هر دو نوع پارامترهای رسوبی و هیدرولیکی در مدل داده کاوی ماشین بردار پشتیبان میباشد، نتیجه بهتری در پیشبینی عمق آبشستگی ارائه میدهند. به طور نمونه، در حالت سه پایه، معیارهای ارزیابی مربوط به سناریو یک (پارامترهای هیدرولیکی)، 9914/0R2=، 9758/0DC= ، 0576/0 RMSE و برای سناریو دو (پارامترهای هیدرولیکی و رسوبی )، برابر9924/0R2=، 9803/0DC=، 0529/0RMSE= بدست آمده است که نشان میدهد ماشین بردار پشتیبان برای سناریو دوم عملکرد بهتری از خود نشان داده است. در ادامه برای محاسبه عمق آبشستگی اطراف گروه پایه مایل، برای حالتهای تک پایه، سه پایه و چهارپایه روابط غیر خطی ارائه شده است. | ||
کلیدواژهها | ||
پارامترهای هیدرولیکی؛ شبکه عصبی مصنوعی؛ عمق آبشستگی؛ گروهپایه پل؛ ماشین بردار پشتیبان | ||
مراجع | ||
Ataie-Ashtiani B and Beheshti AA, 2006. Experimental investigation of clear-water local scour at pile groups. Journal of Hydraulic Engineering132 (10): 1100–1104. Amini A, Melville B, Ali T and Ghazali A, 2012. Clear-water local scour around pile groups in shallow-water Flow. Journal of Hydraulic Engineering 138(2):177–185. Breusers HNC and Raudkivi AJ, 1991. Scouring, International Association for Hydraulic Research, Balkema, Rotterdam, the Netherlands Ghorbani MA, Azani A and Naghipour L, 2013. Comparison of the performance of support vector machine with other intelligent techniques to simulate rainfall-runoff process. Journal of Watershed Management Research 13(7): 92-103. Goel A and Pal M, 2009. Application of support vector machines in scour prediction on grade-control structures. Engineering Applications of Artificial Intelligence 22(2): 216-223. Hong JH, Goyal MK, Chiew YM, Chua LHC, 2012. Predicting time-dependent pier scour depth with support vector regression. Journal of hydrology468: 241–248. Hannah CR, 1978. Scour at pile groups. Res.Rep.No.283, Civil Engineering Department. University of Canterbury Christchurch, New Zealand. Izadinia, E., Saadatpour, A and Heidarpour, M. 2016. Estimating longitudinal dispersion coefficient of pollutants in open channel flows using artificial neural networks. Water and Soil Science. 26(1/2):225-238. (In Farsi). Melville BW, 1997. Pier and abutment scour - an integrated approach. Journal of Hydraulic Engineering, ASCE 123(2): 125–136. Melville BW and Chiew YM, 1999. Time scale for local scour at bridge piers. Journal of Hydraulic Engineering 1251: 59–65. Mahjoobi J and Mosabbeb E, 2009. Prediction of significant wave height using regressive support vector machines. Ocean Engineering 36: 339–347. Majedi Asl, M., Daneshfaraz, R and Valizade, S. 2018. Experimental investigating effect of river materials mining on scouring around armed pier groups. Iranian Journal of Soil and Water Research. 50(6):1363-1380. (In Farsi). Roushangar, K and Rouhparvar, B. 2012. Evaluation of artificial intelligence systems for simulation of bridge piers scouring in cohesive soils. Water and soil science- Univercity of Tabriz. 23(3):169-182. (In Farsi). Raudkivi AJ and Ettema R, 1983. Clear-water scour at cylindricalpiers. Journal of hydrology109)3): 338 –350. Vaghefi M, Ghodsian M and Salimi S, 2016. The effect of circularbridge piers with different inclination angles toward downstreamon scour. Sadhana 41 (1): 75–86. Seyedian, M and Fathabadi, A. 2016. Estimation of bridge pier scour using statistical methods and intelligent algorithm. Journal of Civil and Environmental Engineering 46(2): 1-13. (In Farsi) Sharafi H, Ebtehaj I, Bonakdari H and Zaji AH, 2016. Design of a support vector machine with different kernel functions to predict scour depth around bridge piers. Natural Hazards 84(3): 2145-2162.
| ||
آمار تعداد مشاهده مقاله: 415 تعداد دریافت فایل اصل مقاله: 421 |