مهدی ماجدی اصل

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 36 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 ،0/0272 0/9925 ،0/9932و 0/8935 ،0/8959 ،0/1180میباشد. 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