علوم آب و خاک

Mendeley  

Zotero  

Kalantar hormozi S, Zayeri M, Ghomeshi M, ِDaryaee M. Evaluation of a Hybrid Meta-Learning Model for Estimating Scour Depth Around Pile Groups. jwss 2026; 30 (2) :56-77
URL: http://jstnar.iut.ac.ir/article-1-4539-fa.html

آبشستگی، چالش اصلی مهندسی رودخانه، با تخریب پل‌ها در سیلاب‌ها، هزینه‌های مالی را به دنبال دارد. این مطالعه با هدف تخمین عمق آبشستگی (Dse/Dp) اطراف گروه‌های شمع، پارامترهای هیدرودینامیکی و هندسی را بررسی کرد. بدین منظور با جمع‌آوری 299 داده‌های آزمایشگاهی از منابع مختلف، داده‌ها به دو بخش آزمایش و آزمون تقسیم‌بندی شد. به عنوان ورودی مدل‌های یادگیری ماشین، شامل شبکه عصبی مصنوعی (ANN)، بردار پشتیبان (SVR)، الگوریتم تقویت گرادیان شدید (XGboost) و مدل یادگیری ترکیبی متا (Stacking) همچنین برای تنظیم اَبَرپارامترهای مدل از روش جستجوی شبکه‌ای Gridsearch به منظور ایجاد رگرسیون مؤثر استفاده شد. در ارزیابی عملکرد مدل‌ها، مدل ANN به مقدار 0/87 R² =و مدل SVR به 0/91 R² =دست یافتند. مدل XGBoost با 0/94 R² =و 0/28 RMSE ≈ توانست عملکرد دقیق‌تری نسبت به دو مدل دیگر ارائه دهد. درنهایت، مدل ترکیبی Stacking با بهره‌گیری از خروجی مدل‌های پایه، بهترین عملکرد را ثبت کرده و مقدار 96/0  R² = و 0/11  RMSE =را به دست آورد که این نتایج به معنی افزایش حدود ۱۵ درصدی دقت نسبت به ANN و ۷ درصد نسبت به XGBoost است. به‌طور کلی یافته‌ها نشان می‌دهد که استفاده از مدل‌های ترکیبی یادگیری ماشین، به‌ویژه Stacking، می‌تواند رویکردی دقیق و کارآمد برای پیش‌بینی عمق آبشستگی پیرامون گروه‌های شمع و تحلیل رفتارهای پیچیده جریان در سامانه‌های هیدرولیکی باشد.