بررسی عمق آبشستگی خطوط لوله عبوری از رودخانه با روشهای هوش مصنوعی | ||
| تحقیقات آب و خاک ایران | ||
| دوره 57، شماره 3، خرداد 1405، صفحه 567-587 اصل مقاله (1.43 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2026.402770.670011 | ||
| نویسندگان | ||
| مهدی ماجدی اصل* 1؛ آرش فرجی1؛ توحید امیدپور علویان1؛ مهدی کوهدرق2 | ||
| 1University of Maragheh | ||
| 2گروه عمران، واحد ملکان. دانشگاه آزاد اسلامی، ملکان، ایران | ||
| چکیده | ||
| آبشستگی موضعی اطراف خطوط لوله یکی از عوامل مهم ناپایداری بستر و آسیب به زیرساختهای انتقال سیال است که میتواند پیامدهای فنی و زیستمحیطی جدی به همراه داشته باشد. در این پژوهش، کارایی سه روش هوش مصنوعی شامل شبکه عصبی مصنوعی، ماشین بردار پشتیبان و کیونت در پیشبینی عمق آبشستگی با استفاده از ۳۶ مجموعه داده آزمایشگاهی ارزیابی شد. پارامترهای ورودی شامل قطر لوله، فاصله از بستر، عمق جریان، عدد فرود و طول لوله بوده و دقت مدلها با شاخصهای آماری مختلف بررسی گردید. نتایج هوش مصنوعی نشان داد که روش شبکه عصبی مصنوعی (روش برتر) در مرحله آموزش مربوط به ترکیب برتر با شاخصههای مورد ارزیابی ریشه میانگین مربعات خطا، مجذور ضریب همبستگی و ضریب تبیین در مراحل آموزش و آزمون به ترتیب برابر است با 0272/0، 9932/0، 9925/0 و 1180/0، 8959/0، 8935/0 میباشد. نتایج آنالیز حساسیت نیز نشان داد که حذف پارامتر فاصله لوله از بستر منجر به کاهش دقت مدل و افزایش میزان خطا شده است. این نتیجه بیانگر این است که تغییرات فاصله لوله از بستر به طور مستقیم بر عمق آبشستگی تأثیر میگذارد. این مطالعه نشان میدهد که هر سه روش هوش مصنوعی با دقت بالا میتوانند جایگزین مناسبی برای مدلهای تجربی سنتی باشند و میتوانند در کاهش ریسکها و هزینههای مرتبط با خرابی سازههای زیرآبی و مدیریت بهینه زیرساختهای هیدرولیکی مؤثر باشند. | ||
| کلیدواژهها | ||
| شبکههای عصبی مصنوعی (ANN)؛ فرسایش؛ مدل QNET؛ پارامترهای آماری؛ ماشین بردار پشتیبان (SVM) | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 855 تعداد دریافت فایل اصل مقاله: 177 |
||