برآورد بیشترین ژرفای آبشستگی در پیرامون پایه های پل با بهره‌وری از شبکه‌ های وایازی کلی و پرسپترون چند لایه‌ای

نویسندگان

1 مدرس دانشگاه آزاد اسلامی واحد امیدیه و دانشجوی دکترا سازه های آبی دانشگاه شهید چمران اهواز

2 عضو هئیت علمی دانشگاه آزاد اسلامی واحد امیدیه

3 دانشجوی دکترا هیدرولوژی دانشگاه شهید چمران اهواز

چکیده

در این مطالعه، شبکه‌‌های وایازی کلی (GRNN) و پرسپترون چند لایه‌ای (MLP) برای برآورد بیشترین ژرفای آبشستگی مورد بهره‌وری قرار گرفتند. الگوریتم‌های Levenberg-Marquardt و Momentum به عنوان الگوریتم‌های آموزشی، و دو تابع Tanh و Sigmoid نیز به عنوان توابع فعال‌ساز در این پژوهش جهت ساختن شبیه های عصبی به کار رفتند. تاکنون مطالعات گسترده‌ای در زمینه‌ی‌ استفاده از شبیه‌های مختلف شبکه‌ی عصبی جهت برآورد بیشترین ژرفای آبشستگی اطراف پایه‌های پل صورت گرفته است که بیشتر این پژوهش‌ها دارای دو مشکل عمده بوده‌اند: در نظر گرفتن شکل استوانه‌ای به عنوان پایه‌های پل، و استفاده از اطلاعات آزمایشگاهی برای ساختن شبیه‌ها از مهمترین کاستی‌های مطالعات صورت گرفته در زمینه‌ی برآورد بیشترین ژرفای آبشستگی اطراف پایه های پل به حساب می‌آیند. بر همین اساس، در این پژوهش علاوه بر شکل استوانه‌ای از اشکال مستطیلی، گرد گوشه و نوک تیز نیز استفاده شده است. همچنین برای ساختن و صحت‌سنجی شبیه‌ها از اطلاعات واقعی، که مشتمل بر 475 داده‌ی مربوط به آبشستگی اطراف پایه‌های پل بوده بهره‌وری شده است. در این پژوهش، بر خلاف پژوهش‌های گذشته که از روش آزمون و لغزش برای تعیین شمار نرون‌های لایه‌ی مخفی استفاده می‌شد، از الگوریتم ژنتیک جهت این منظور بهره‌وری گردیده است. نتایج مقایسه‌ی شبیه‌های مختلف عصبی نشان-دهنده‌ی دقت بیشتر شبیه GRNN بوده است. برای بررسی کارآیی این شبیه از معادلات تجربی موجود نیز استفاده شد، که از جمله می‌توان به روابط بروسرز و همکاران، فروهلیچ، ملویل و ملویل، و چیو اشاره کرد. نتایج شبیه‌های مختلف نشان دادند که شبیه عصبی ارائه شده از کارآیی بهتری نسبت به روابط موجود برخوردار است. جهت تعیین تاثیر فراسنج‌های مختلف بر آبشستگی از تحلیل حساسیت استفاده شد. نتایج این تحلیل نشان‌دادند که فراسنج سرعت نسبت به دیگر فراسنج‌های مستقل بیشترین تأثیر را بر آبشستگی اطراف پایه‌های پل داراد.
 

کلیدواژه‌ها


2. Bateni, S.M., Jeng, D.S and Melville ,B.W. 2007. Bayesian neural networksfor prediction of equilibrium and timedependentscour depth around bridgepiers. Adv Eng Software 38:102-111.
3. Breusers, H. N. C., Nicollet, G, andShen, H. W. 1977. Local scouraround cylindrical piers. J. Hydro.Res., (Delft), 15:211–252.
4. Firat, M. and Gungor, M. 2009Generalized regression neural networksand feed forward neural networksfor prediction of scour depth aroundbridge piers. Adv in Eng Software40:731-737.
5. Froehlich, D.C. 1995. Contractionscours at bridgesclear water conditionswith armoring, in Water ResourcesResearch: San Antonio, TX, Am Socof Civ Eng. 981–985.
6. Laursen, E.M. and Toch, A. 1956Scour around bridge piers and abutm-ents. Bulletin No.4, Iowa HighwaysResearch Board, Ames, Iowa, U.S.A.
7. Lim, SY. and Cheng, NS. 1998.Prediction of live-bed scour at bridgeabutments. J. Hydraul. Eng.124:635–642.
8. Hagan, M. T., and Menhaj, M. B.1994. Training feed-forward networkswith the Marquardt algorithm. IEEETrans. Neural Networks. 5 6: 989-993.
9. Melville, BW. and Sutherland, AJ. .1988. Design method for local scour atbridge piers. J. Hydraul. Eng.11410:1210–1226.
10. Melville, BW. and Raudkivi, A.J.1996. Effects of foundation geometryon bridge pier scour. J. Hydraul. Eng.122:203–209.
11. Melville, B. W. 1997. Pier andabutment scour: Integrated approach.J. Hydraul. Eng. 123 2:125–136.
12. Melville, B. W., and Chiew, Y. M.1999. Time scale for local scour atbridge piers. J. Hydraul. Eng. 125 1:59–65.
13. Melville, B.W., and Coleman, S.E.2000. Bridge scour. Water Resources, Littleton, Co.
14. Mia, F, and Nago, H. 2003. Designmethod of time-dependent local scourat circular bridge pier. J. Hydraul.Eng. 129 6:420–427.
15. Mueller, D. S., and Wagner, C. R.2005. Field observations andevaluations of streambed scour at
bridges. Report No. FHWA-RD-03–052, U.S. Department of Transportation,Federal Highway Admin.,McLean, Va.
16. Parola, A.C., Mahavadi, S.K., Brown,B.M. and ElKhoury, A.. 1996. Effectof rectangular foundation geometry onlocal pier scour. J. Hydraul. Eng. 122:35–40.
17. Shen, H. W. 1971. River Mechanics.Vol. 2, Ft. Collins, Colorado, USA.
18. Sheppard, D.M., Odeh, M. andGlasser, T. 2004. Large scale clearwaterlocal pier scour experiments. J.Hydraul. Eng. 130 10: 957–963.
19. Specht, D.F. 1991. A generalizedregression neural network. IEEE,Trans Neural Networks 2: 568-576.