فهرست نشریات علمی دسترسی آزاد ایران

آبشستگی، پدیده‌ای فرسایشی ناشی از جریان آب در رودخانه‌ها، به‌ویژه اطراف پایه‌های پل است که فرآیندی تابع زمان بوده و در صورت تخمین نادرست عمق آن، طراحی پی‌ها را ناکافی یا غیراقتصادی می‌کند و خطر خرابی سازه‌ای را افزایش می‌دهد. مطالعه و بررسی روش‌های مؤثر برای تخمین میزان آبشستگی به منظور طراحی درست سازه‌ای از اهمیت ویژه‌ای برخوردار است. پژوهش‌های اخیر نشان داده‌اند تکنیک‌های نوین یادگیری ماشین و الگوریتم‌های هوش مصنوعی به‌عنوان ابزارهای پیشرفته برای تحلیل و پیش‌بینی آبشستگی مورد توجه قرار گرفته‌اند. استفاده از این تکنیک‌های پیشرفته می‌تواند به بهینه‌سازی روش‌های حفاظتی و طراحی و در نهایت به ارتقای ایمنی و پایداری سازه‌های پل کمک شایانی نماید. ازاین‌رو در این پژوهش، عملکرد روش‌هایSVM ، QNET و ANN در پیش‌بینی عمق آبشستگی موضعی اطراف پایه‌های پل استوانه‌ای در بسترهای با خاک چسبنده به کمک 122 سری داده آزمایشگاهی مورد ارزیابی قرار گرفت تا اثربخشی این روش‌ها در تخمین این پدیده و بهبود عملکرد سازه‌های پل بررسی شود. پارامترهای هندسی و هیدرولیکی مورد استفاده در این پژوهش شامل عدد فرود پایه، عمق بی-بعد جریان نزدیک شونده، اندازه بی‌بعد ذره رسوب و مقاومت برشی بستر می‌باشد. نتایج نشان داد این روش‌ها در 96 درصد موارد پیش‌بینی‌های دقیقی ارائه می‌دهند. مدل QNET در 92 درصد موارد عملکرد بهتری نسبت به SVM و ANN داشته و دقت پیش‌بینی را تا 98 درصد افزایش داد. در مقایسه، SVM در 80 درصد و ANN در 85 درصد موارد نتایج قابل‌قبولی نشان دادند، اما QNETدر تم تعیین عمق آبشستگی است و تغییرات آن می‌تواند تا 30 درصد عمق فرسایش را تغییر دهد. در نهایت این پژوهش راهکاری دقیق و مؤثر برای پیش‌بینی آبشستگی ارائه می‌دهد که به مهندسان کمک می‌کند پل‌هایی مقاوم‌تر و اقتصادی‌تر طراحی کنند.