تخمين عمق آبشستگي موضعي پايه پل بوسيله هوش مصنوعي

مكانيزم جريان اطراف پايه پل آنقدر پيچيده است كه بدست آوردن يك رابطه تجربي كلي كه بتواند تخمين درستي از عمق آبشستگي ارائه كند بسيار مشكل ميباشد. در اين تحقيق با استفاده از قابليتهاي هوش مصنوعي، دو شبكه عصبي مصنوعي پيشخور چند لايهFFBP) و شعاع مبنا 2RBF)سيستم نروفازيANFIS) سيستم برخورد گروهي با داده هاGMDH) و يك شبكه تابع بنيادي شعاعي خودسازمانده فازيFSORBF) مدلهايي براي تخمين عمق آبشستگي موضعي توسعه داده شده است و نتايج آنها با دادههاي اندازهگيري شده واقعي، روابط تجربي و با يكديگر مقايسه شده است. عمق آبشستگي تعادلي به شش پارامتر، ميانگين قطرذرات، ضريب دانه بندي، قطر پايه، عمق جريان، سرعت متوسط جريان و سرعت بحراني جريان وابسته ميباشد. مدلهاي هوش مصنوعي با دادههاي با بعد آموزش بهتري نسب مدلهاي بدون بعد داشتهاند و نتايج آناليز حساسيت نشان ميدهد كه قطر پايه پل، حساسيت بيشتري در تخمين عمق آبشستگي نسبت به ديگر پارامترها داشته است . براساس نتايج شبكههايANFIS و RBF به ترتيب بهترين نتايج را در مرحله آموزش و ارزيابي داشته و همچنين شبكههاي هوش مصنوعي در مقايسه با روابط تجربي دقت بيشتري داشتهاند.