پیش بینی تغییرات عمق آبشستگی در اطراف گوشواره‌ی پلها ) (Abutmebt با استفاده از سامانه‌ی منطق فازی- عصبی ) (ANFIS و شبکه های عصبی (ANNs)

نوع مقاله : مقاله پژوهشی

نویسندگان

• رضا محمدپور ¹
• فرهنگ محمدپور ²

¹ عضو هیأت علمی دانشگاه آزاد اسلامی واحد استهبان

² فارغ التحصیل مهندسی عمران دانشگاه یاسوج

چکیده

به‌دلیل پیچیده بودن الگوی سه بعدی جریان در اطراف گوشواره‌ی پل ها، برآورد دقیق تغییرات عمق آبشستگی نسبت به زمان دشوار، و در برخی موارد غیر ممکن می‌باشد. در این تحقیق، ابتدا تغییرات عمق آبشستگی در اطراف گوشواره­ها به صورت آزمایشگاهی تحت شرایط آب زلال مورد بررسی قرار گرفته است و سپس با استفاده از نتایج حاصل از سه روش، وایازی غیر خطی (NLR)، شبکه­های عصبی (ANN) و سامانه‌ی منطق فازی-عصبی (ANFIS)، تغییرات آبشستگی در اطراف این سازه­ها پیش بینی شده است. هر چند رابطه‌ی وایازی بدست آمده، نتایج بهتری را نسبت به روابط پیشین ارائه می­کند (R²=0.957, RMSE=0.049 and MAE=0.035)، اما سامانه‌ی منطق فازی- عصبی دارای دقت بالاتری نسبت به رابطه‌ی وایازی ارائه شده و هم­چنین روابط پیشین می‌باشد (R²=0.961, RMSE=0.041and MAE=0.025). نتایج حاصله  از فراسنج­های آماری نشان می­دهد که، هر دو روش ANNو ANFIS می­توانند به عنوان روش­های قدرتمندی در پیش بینی عمق آبشستگی مورد استفاده قرار گیرند. 

کلیدواژه‌ها

• آبشستگی گوشواره‌ها
• سامانه‌ی منطق فازی- عصبی
• شبکه‌های عصبی
• گوشواره کوتاه و متوسط
• زمان آبشستگی

20.1001.1.20086377.1393.7.20.2.3

---

عنوان مقاله [English]

Prediction of Local Scour around Abutment Using ANN and ANFIS

نویسندگان [English]

• r. m ¹
• f. m ²

چکیده [English]

Time-variation of scour depth around abutments is more complicated due to the three-dimensional vortex flow. In this study, variation of the scour depth with time around abutments was investigated experimentally under clear-water conditions. The Nonlinear Regression (NLR), neuro-fuzzy inference system (ANFIS) and artificial neural networks (ANN) were employed to predict the time variation of scour depth at intermediate and short abutment. Statistical analysis showed that, although the presented regression method (R²=0.957, RMSE=0.049 and MAE=0.035) provided a better prediction compared to previous equations but the ANFIS (R²=0.961, RMSE=0.041and MAE=0.025) produces a more accurate result. Statistical measurements showed that ANFIS as well as ANNs can be considered as a robust technique to predict the temporal scour depth at the short and intermediate abutment.

کلیدواژه‌ها [English]

• Abutment scour
• ANFIS
• Artificial Neural Networks
• scour time
• short and intermediate abutment
• time variation