fa ارزیابی مدل یادگیری ترکیبی متا در تخمین عمق آبشستگی گروه‌های شمع عمومی Ggeneral پژوهشي Research <div style="text-align: justify;">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 R&sup2; =و مدل SVR به 0/91 R&sup2; =دست یافتند. مدل XGBoost با 0/94 R&sup2; =و 0/28 RMSE &asymp; 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&nbsp; R&sup2; = و 0/11&nbsp; 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.</div> <div style="text-align: justify;">Scour is a major challenge in river engineering, as it causes bridge failures during flood events and leads to significant economic losses. This study aims to estimate the normalized scour depth (Dse/Dp) around pile groups by examining relevant hydrodynamic and geometric parameters. A dataset comprising 299 laboratory measurements collected from various sources was assembled and divided into training and testing subsets. As machine learning inputs, several models were employed, including Artificial Neural Networks (ANN), Support Vector Regression (SVR), Extreme Gradient Boosting (XGBoost), and a meta-ensemble learning model (Stacking). Hyperparameter tuning was performed using the Grid search method to achieve optimal regression performance. Model performance evaluation indicated that the ANN and SVR models achieved coefficients of determination of R&sup2; = 0.87 and R&sup2; = 0.91, respectively. The XGBoost model outperformed these approaches, yielding R&sup2; = 0.94 with an RMSE of approximately 0.28. Ultimately, the stacking ensemble model, by integrating the outputs of the base learners, demonstrated the highest predictive accuracy with R&sup2; = 0.96 and an RMSE of 0.11, representing an improvement of approximately 15% compared to ANN and 7% compared to XGBoost. Overall, the findings highlight that ensemble machine learning models&mdash;particularly the Stacking approach&mdash;provide a robust and efficient framework for predicting scour depth around pile groups and for capturing the complex flow behaviors in hydraulic systems.</div> گروه‌های شمع, عمق آبشستگی, شرایط آب زلال, یادگیری ماشین, مدل stacking Pile groups, Scour depth, Clear-water conditions, Machine learning, Stacking mode. 57 77 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-7268-1&slc_lang=fa&sid=1 Shadi Kalantar hormozi شادی کلانتر هرمزی kalantarhormozishadi@gmail.com No Department of Hydraulic Structures, Faculty of Water and Environmental Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran. گروه سازه‌های آبی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران. Mohammadreza Zayeri محمدرضا زایری m.zayri@scu.ac.ir Yes Department of Hydraulic Structures, Faculty of Water and Environmental Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran. گروه سازه‌های آبی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران. Mehdi Ghomeshi مهدی قمشی Ghomeshi@scu.ac.ir No Department of Hydraulic Structures, Faculty of Water and Environmental Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran. گروه سازه‌های آبی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران. Mehdi ِDaryaee مهدی دریایی m.daryaee@scu.ac.ir No Department of Hydraulic Structures, Faculty of Water and Environmental Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran. گروه سازه‌های آبی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران.