پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,997,511 |
| تعداد دریافت فایل اصل مقاله | 89,671,381 |
شبیهسازی عمق آبشستگی در اطراف پایه‌های پل جفت و سهتایی با استفاده از روش دست بندی گروهی دادهها | ||
| تحقیقات آب و خاک ایران | ||
| دوره 52، شماره 7، مهر 1400، صفحه 1795-1805 اصل مقاله (1.56 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2021.320363.668911 | ||
| نویسندگان | ||
| احسان مرادی1؛ سعید شعبانلو* 2؛ بهروز یعقوبی3 | ||
| 1دانشجوی دکتری منابع آب، گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران | ||
| 2دانشیار گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران | ||
| 3گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران | ||
| چکیده | ||
| تخمین و محاسبه آبشستگی در اطراف سازهها از قبیل پایه پلها از اهمیت بسزایی برخوردار است. در این مطالعه، با استفاده از روش دستهبندی گروهی دادهها (GMDH) عمق آبشستگی در اطراف پایه پلهای دوقلو و سهتایی شبیهسازی گردید. در ابتدا، موثرترین پارامترها بر روی عمق آبشستگی شناسایی شدند و سپس چهار مدل مختلف GMDH تعریف گردید. برای صحتسنجی نتایج مدلهای GMDH از مقادیر آزمایشگاهی استفاده گردید که 70% مقادیر آزمایشگاهی برای آموزش مدلهای GMDH و 30 درصد باقیمانده برای آزمون این مدلها بکار گرفته شدند. در ادامه با انجام یک تحلیل حساسیت، مدلهای برتر و موثرترین پارامترهای ورودی معرفی شدند. نتایج تحلیل حساسیت نشان داد که مدلهای GMDH مقادیر آبشستگیها را با دقت قابل قبولی پیشبینی کردند. بهعنوان مثال، مقادیر ضریب همبستگی (R)، شاخص پراکندگی (SI) و شاخص عملکرد (VAF) برای مدل برتر در شرایط آزمون بهترتیب برابر با 949/0، 212/0 و 129/90 محاسبه شدند. علاوه بر این، عدد فرود بهعنوان مهمترین پارامتر ورودی برای تخمین عمق آبشستگی توسط مدل GMDH معرفی گردید. همچنین، مقدار ضریب اختلاف متوسط برای مدل برتر معادل با 228/1 بود. برای مدلهای GMDH مختلف چهار رابطه ارائه گردید و در انتها یک کد کامپیوتری برای شبیهسازی عمق آبشستگی توسط مدل GMDH ارائه گردید. | ||
| کلیدواژه‌ها | ||
| پایه‌های جفت و سهتایی؛ آبشستگی؛ روش دستهبندی گروهی دادهها؛ تحلیل حساسیت؛ شبیهسازی | ||
| عنوان مقاله [English] | ||
| Simulation of Scour Depth Around Twin and Three Piers Using Group Method of Data Handling | ||
| نویسندگان [English] | ||
| ehsan moradi1؛ saeid shabanlou2؛ behrouz yaghoubi3 | ||
| 1Ph.D. Candidate, Department of Water Engineering, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran | ||
| 2Department of Water Engineering, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran | ||
| 3Department of Water Engineering, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran | ||
| چکیده [English] | ||
| Estimation and computation of scouring around structures such as piers has a significant importance. In this study, scour depth in the vicinity of twin and three piers was simulated using Group Method of Data Handling (GMDH). First, effective parameters on scour depth were identified and then four different GMDH models were defined. To verify the simulation results, some experimental measurements were applied and 70% of these data were utilized to train the GMDH models, whereas 30% of the data were employed to test the models. Subsequently, the best GMDH model and the most influencing input parameters were introduced by conducting a sensitivity analysis. The sensitivity analysis showed that the GMDH models estimated the scour depth with acceptable accuracy. For instance, the correlation coefficient (R), scatter index (SI), and variance accounted for (VAF) for the best GMDH model were respectively calculated to be 0.949, 0.212, and 90.129. In addition, the Froude number was detected as the most important input variable to estimate the scour depth through GMDH model. Moreover, the mean discrepancy ratio (DRave) for the superior GMDH model was computed to be 1.228. For different GMDH models, four equations were presented and lastly a computer code was provided to simulate scour depth by means of the GMDH model. | ||
| کلیدواژه‌ها [English] | ||
| Twin and three piers, Scouring, Group method of data handling, Sensitivity analysis, Simulation | ||
| مراجع | ||
|
Anastasakis, L. and Mort, N. (2001). The development of self-organization techniques in modelling: a review of the group method of data handling (GMDH). Research Report-University of Sheffield. Atashkari, K, Nariman-Zadeh, N, Gölcü, M, Khalkhali, A. and Jamali, A. (2007). Modelling and multi-objective optimization of a variable valve-timing spark-ignition engine using polynomial neural networks and evolutionary algorithms. Energy Conversion and Management, 48(3), 1029-1041. Ataie-Ashtiani, B., Baratian-Ghorghi, Z., and Beheshti, A.A. (2010). Experimental investigation of clear-water local scour of compound piers. Journal of Hydraulic Engineering, 136(6), 343-351. Azamathulla, H.M. (2012). Gene-expression programming to predict scour at a bridge abutment. Journal of Hydroinformatics, 14(2), 324-331. Azimi, H., Bonakdari, H., Ebtehaj, I., Gharabaghi, B., and Khoshbin, F. (2018). Evolutionary design of generalized group method of data handling-type neural network for estimating the hydraulic jump roller length. Acta Mechanica, 229(3), 1197-1214. Azimi, H., Bonakdari, H., Ebtehaj, I., Talesh, S. H. A., Michelson, D. G., and Jamali, A. (2017). Evolutionary Pareto optimization of an ANFIS network for modeling scour at pile groups in clear water condition. Fuzzy Sets and Systems, 319, 50-69. Azimi, H., Bonakdari, H., Ebtehaj, I., Shabanlou, S., Talesh, S. H. A., and Jamali, A. (2019). A pareto design of evolutionary hybrid optimization of ANFIS model in prediction abutment scour depth. Sādhanā, 44(7), 169. Bateni, S. M., and Jeng, D. S. (2007). Estimation of pile group scour using adaptive neuro-fuzzy approach. Ocean Engineering, 34(8), 1344-1354. Firat, M., and Gungor, M. (2009). Generalized regression neural networks and feed forward neural networks for prediction of scour depth around bridge piers. Advances in Engineering Software, 40(8), 731-737. Liriano, S. L., and Day, R. A. (2001). Prediction of scour depth at culvert outlets using neural networks. Journal of Hydroinformatics, 3(4), 231-238. Noori, R., Hoshyaripour, Gh., Ashrafi, Kh., and Nadjar Araabi B. (2010). Uncertainty analysis of developed ANN and ANFIS models in prediction of carbon monoxide daily concentration. Atmospheric Environment, 44(4), 476-482. Shamshirband, S., Mosavi, A., and Rabczuk, T. (2020). Particle swarm optimization model to predict scour depth around a bridge pier. Frontiers of Structural and Civil Engineering, 14(4), 855-866. Sharafi, H., Ebtehaj, I., Bonakdari, H., and Zaji, A. H. (2016). Design of a support vector machine with different kernel functions to predict scour depth around bridge piers. Natural Hazards, 84(3), 2145-2162. Trent, R., Gagarin, N., and Rhodes, J. (1993). Estimating pier scour with artificial neural networks. In Hydraulic Engineering (pp. 1043-1048). ASCE. Wang, H., Tang, H.W., Xiao, J.F., Wang, Y., and Jiang, S. (2016a). Clear-water local scouring around three piers in a tandem arrangement. Science China Technological Sciences, 59(6), 888–896. Wang, H., Tang, H., Liu, Q., and Wang, Y. (2016b). Local scouring around twin bridge piers in open-channel flows. Journal of Hydraulic Engineering, 142(9), 060160081-8.
| ||
|
آمار تعداد مشاهده مقاله: 245 تعداد دریافت فایل اصل مقاله: 210 |
||