TY - JOUR JF - JSTNAR JO - jwss VL - 23 IS - 4 PY - 2019 Y1 - 2019/12/01 TI - Application of SVM Algorithm in Predicting Vertical Pier Scour Depth TT - کاربرد الگوریتم SVM در پیش‌بینی عمق آبشستگی تک پایه قائم N2 - آبشستگی موضعی حول فوندانسیون سازه‌های دریایی و هیدرولیکی یکی از مهم‌ترین عوامل در ناپایداری و خرابی این سازه‌ها است. همواره پیش‌بینی نادرست عمق آبشستگی حول پایه‌ پل‌ها باعث تحمیل ضررهای مالی در پل‌سازی و به‌خطر افتادن جان انسان‌های بسیاری شده است از این‌رو براورد دقیق این پدیده پیچیده، اطراف پایه‌ پل‌ها لازم و ضروری است. از آنجایی که فرمول‌های ارائه شده توسط محققین مختلف، مربوط به شرایط خاص آزمایشگاهی است، در شرایط دیگر کمتر صادق بوده و از دقت چندانی برخوردار نیستند. به‌تازگی محققان زیادی تلاش کردند تا روش‌ها و مدل‌های جدیدی را با عنوان محاسبات نرم، در پیش‌بینی این پدیده مهم مورد بررسی قرار دهند. در این پژوهش، برای پیش‌بینی عمق آبشستگی اطراف پایه پل 146 سری داده‌ آزمایشگاهی مختلف (در سه نوع شرایط آزمایشگاهی متفاوت) با استفاده از ماشین بردار پشتیبان مورد تحلیل قرار گرفت. این داده‌ها در قالب ترکیبات مختلف متشکل از پارامترهای ورودی و D هستند که به‌ترتیب، ضخامت زیر لایه لزج، عدد رینولدز، سرعت بحرانی، پارامتر شیلدز، سرعت برشی، سرعت متوسط، قطر متوسط ذرات، عمق اولیه جریان و قطر پایه پل معرفی می‌شوند. پارامترهای گفته شده در دو سناریو متفاوت (حالت بابعد و حالت بی‌بعد) وارد شبکه SVM شدند. برای ارزیابی کارایی ترکیبات از معیارهای آماری RMSE (جذر میانگین مربعات خطاها)، (مجذور ضریب همبستگی بین مقادیر آزمایشگاهی و پیش‌بینی) و DC (ضریب تعیین خطی بین مقادیر پیش‌بینی شده و آزمایشگاهی) استفاده شده است. نتایج حاصل از این ماشین با نتایج به‌دست آمده از فرمول‌های تجربی و روابط ارائه شده در همین تحقیق مقایسه شد. نتایج حاصل از این پیش‌بینی است. نتایج نشان می‌دهد، در سناریو اول ترکیب شماره 5 با پارامترهای ورودی بی‌بعد و و در سناریو دوم نیز ترکیب شماره 5 با پارامترهای ورودی بابعد و برای مرحله آزمون، به‌عنوان برترین مدل انتخاب شده‌اند. در نتیجه از نتایج چنین استنباط شد که سناریو دو (حالت بابعد) در پیش‌بینی عمق آبشستگی حول تک پایه قائم براورد دقیق‌تری نسبت به سناریو اول (حالت بی‌بعد) ارائه داده است. در پایان آنالیز حساسیت روی پارامترها انجام شد و پارامترهای به‌ترتیب و به‌عنوان مؤثرترین پارامترها انتخاب شدند. SP - 165 EP - 181 AU - Majedi Asl, M. AU - Valizadeh, S. AD - 1. Department of Civil Engineering, Hydraulic Structures, University of Maragheh, Iran. KW - Local scour KW - Input parameters KW - Support Vector Machine KW - Soft computing UR - http://jstnar.iut.ac.ir/article-1-3688-fa.html DO - 10.47176/jwss.23.4.37872 ER -