ارزیابی عملکرد سیستم‌های هوش مصنوعی برای شبیه‌سازی آبشستگی پایه‌های پل در خاک‌های چسبنده

نوع مقاله : مقاله پژوهشی

نویسندگان

چکیده

آبشستگی اطراف پایه‌های پل به عنوان یکی از مهمترین و مؤثرترین عوامل تخریب پل‌ها، در واقع نوعی فرسایش در اطراف پایه‌ها می‌باشد که در اثر جریان‌های پیچیده گردابی رخ داده و به صورت کلی باعث ایجاد یک گودال در اطراف پایه‌های پل می‌شود. تاکنون تحقیقات آزمایشگاهی و صحرایی که در این خصوص انجام شده منجربه ارائه روابط متعدد برای تخمین عمق آبشستگی شده است ولی روابط موجود به نتایج جامع و قابل قبولی منجر نشده است. در این تحقیق به کمک داده‌های آزمایشگاهی انجام شده در مورد پایه استوانه‌ای و بستر با خاک چسبنده از قابلیت سیستم‌های هوش مصنوعی در شبیه‌سازی میزان عمق آبشستگی پایه‌های پل استفاده شده است. بدین منظور با استفاده از شبکه‌های عصبی FFNN، RBF، GRNN و شبکه فازی- عصبی ANFIS برای هر دو حالت داده‌های بابعد و بی‌بعد، عمق آبشستگی محاسبه شده و با انجام آنالیز حساسیت به بررسی تأثیر پارامترها در عمق آبشستگی پرداخته شده است. نتیجه حاصله حاکی از این است که مدل ANFIS با وجود کارایی بهتر نسبت به شبکه‌های GRNN و RBF دارای عملکرد ضعیف‌تری در مقایسه با شبکه FFNN است.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation of Artificial Intelligence Systems for Simulation of Bridge Piers Scouring in Cohesive Soils

نویسندگان [English]

  • Kiumars Roshanghar
  • Behzad Rohparvar
چکیده [English]

Scouring around bridge piers as one of important and effective factors in bridge damage is a kind of erosion around the pier that occurs due to the effect of complex vortex flows and generally, result is a trench around the pier of bridge. Many field and laboratory investigations of scour around bridge pier and foundations cause to give different equations for prediction of scour depth. But, results of these equations are not satisfactory. In this research, capability of artificial intelligence is evaluated for simulation of cylindrical bridge pier scouring using laboratory data of cohesive soil bed. Using FFNN (Feed Forward Neural Network), RBF (Radial Basis Function), GRNN (Generalized Regression Neural Network) neural networks and ANFIS, scouring depth is calculated for both of dimensional and non–dimensional data and then using sensitivity analysis, effect of all parameters on pier scouring is determined. The results indicate that the ANFIS model leads to better results than the RBF and GRNN models but it is not as robust as FFNN.