|
Abstract
|
آبشستگی اطراف پایههای پل یکی از پدیدههای طبیعی است که عمدتاً ناشی از فرآیندهای فرسایشی ناشی از میدان
جریان در آبراه ههای آبرفتی م یباشد. این پدیده، به ویژه در صورت عدم کنترل مناسب، م یتواند به طور جدی پایداری
سازههای پل را تهدید کند. در طول زمان، آبشستگی موجب تخریب و تضعیف پایههای پل میشود و در نتیجه احتمال
بروز خرابیهای ساختاری و حتی فروپاشی سازه را افزایش میدهد. بنابراین، مطالعه و بررسی روشهای مؤثر برای کاهش
میزان آبشستگی از اهمیت ویژهای برخوردار است . پژوهشهای اخیر نشان دادهاند که تکنی کهای نوین یادگیری ماشین
و الگوریتمهای هوش مصنوعی به عنوان ابزارهای پیشرفته برای تحلیل و پیشبینی آبشستگی مورد توجه قرار گرفت هاند.
یکی از این تکنیکها، استفاده از الگوریتم نرمافزار SVM است که به عنوان یک روش نوین یادگیری ماشین برای
پی شبینی دقیقتر آبشستگی در اطراف پایههای پل معرفی شده است. این الگوریتم با تحلیل دادههای پیچیده و
شبیهساز یهای دقیق، قادر به پیشبینی مؤثر میزان و الگوهای آبشستگی م یباشد و به مهندسان و طراحان کمک م یکند
تا اقدامات لازم را برای بهبود طراحی و افزایش ایمنی سازههای پل اتخاذ کنند . در این پژوهش، عملکرد الگوریتم SVM
در پیشبینی آبشستگی مورد ارزیابی قرار گرفته است تا اثربخشی آن در کاهش این پدیده و بهبود عملکرد سازههای پل
بررسی شود. استفاده از این تکنیکهای پیشرفته م یتواند به بهینهسازی روشهای حفاظتی و طراحی و در نهایت به ارتقای
ایمنی و پایداری سازههای پل کمک شایانی نماید . نتایج حاصل از الگوریتم هوش مصنوعی نشان میدهد که ترکیب
پارامترهای ) ((𝑑𝑚𝑎𝑥𝐷), 𝑊𝑐, 𝐶𝑃, (𝑉(𝑔𝐷0.5)), (𝑡𝑠(𝑃𝑉2)) در الگوریتم SVM در مراحل آموزش و آزمون به ترتیب دارای
مقادیر ) 8380 / 0 = 2(R ، ( 1856 / 0 = (RMSE و ) 8008 / 0 = 2(R ( ، 3080 / 0 = (RMSE بوده است. این نتایج، بهین هترین
خروجی را در مقایسه با ترکی بهای دیگر ارائه م یدهد و نشا ندهنده دقت بسیار مطلوب الگوریتم SVM در پی شبینی
آبشستگی است. همچنین، آنالیز حساسیت نشان میدهد که محتوای خاک رس ) C(W بییشترین تاثیر را بر میزان
آبشستگی دارد.
|