مدل‌سازی عمق آبشستگی اطراف انواع تک پایه و گروه پایه‌های مایل

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه مراغه

2 دانشجوی کارشناسی ارشد- گروه مهندسی عمران

3 مربی، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه مراغه

4 مدیر 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


عنوان مقاله [English]

Modeling Scour Depth Around the Inclined Single and Group Piers

نویسندگان [English]

  • M Majedi Asl 1
  • S Valizadeh 2
  • F Ashkan 3
  • E Hasanpour 4
1 Assistant Professor, Department of Civil Engineering, Faculty of Engineering, University of Maragheh, Maragheh, Iran
2 M.Sc. Student, Department of Civil Engineering, Faculty of Engineering, University of Maragheh, Maragheh, Iran
3 Leaturer. Department of Civil Engineering, Faculty of Engineering, University of Maragheh, Maragheh, Iran
4 Project Manager, Carollo Engineers, Oregon, USA
چکیده [English]

Considering the importance of scouring in the design of bridges, nowadays, to increase the accuracy of scour depth estimation, artificial neural networks are used. In this research, a model for estimating scour depth around the bridge pier group was used by a new method called support vector machine. In this method, the statistical parameters of RMSE, R2, DC, were used to evaluate the performance of the models. The results showed that using compounds of the sedimentary and hydraulic parameters in the support vector data model provided better results in estimation of scour depth. For example, in tripod mode, the assessment criteria values for the scenario 1 (hydraulic parameters), were R2 = 0.9914, DC = 0.9758 and RMSE= 0.0576, and for scenario two (hydraulic and sediment parameters), were to R2 = 0.9924, DC = 0.9803 and RMSE = 0.0529, which indicated better performance of the support vector machine in the second scenario. Finally, non-linear equations were presented for calculating the scour depth around the inclined Single and group piers.

کلیدواژه‌ها [English]

  • Artificial neural network
  • Bridge Pier Group
  • Scour depth
  • Support Vector Machine
  • Hydraulics Parameters
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.