مهدی ماجدی اصل

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 ،�� ،�2برای 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،) 0/0576 ،DC= 0/9758 ،R2=0/9914 = RMSEو برای سناریو دو (پارامترهای هیدرولیکی و رسوبی ،) برابر RMSE= 0/0529 ،DC=0/9803 ،R2=0/9924بدست 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