مجتبی رمضانی مقدم - دانشجوی کارشناسی ارشد سازه های هیدرولیکی دانشگاه شهید باهنر کرمان
مسعودرضا حسامی کرمانی - استادیار دانشکده عمران دانشگاه شهید باهنر کرمان

مکانیزم جریان اطراف پایه پل آنقدر پیچیده است که بدست آوردن یک رابطه تجربی کلی که بتواند تخمین درستی از عمق آبشستگی ارائه کند بسیار مشکل میباشد. در این تحقیق با استفاده از قابلیتهای هوش مصنوعی، دو شبکه عصبی مصنوعی پیشخور چند لایهFFBP) و شعاع مبنا 2RBF)سیستم نروفازیANFIS) سیستم برخورد گروهی با داده هاGMDH) و یک شبکه تابع بنیادی شعاعی خودسازمانده فازیFSORBF) مدلهایی برای تخمین عمق آبشستگی موضعی توسعه داده شده است و نتایج آنها با دادههای اندازهگیری شده واقعی، روابط تجربی و با یکدیگر مقایسه شده است. عمق آبشستگی تعادلی به شش پارامتر، میانگین قطرذرات، ضریب دانه بندی، قطر پایه، عمق جریان، سرعت متوسط جریان و سرعت بحرانی جریان وابسته میباشد. مدلهای هوش مصنوعی با دادههای با بعد آموزش بهتری نسب مدلهای بدون بعد داشتهاند و نتایج آنالیز حساسیت نشان میدهد که قطر پایه پل، حساسیت بیشتری در تخمین عمق آبشستگی نسبت به دیگر پارامترها داشته است . براساس نتایج شبکههایANFIS و RBF به ترتیب بهترین نتایج را در مرحله آموزش و ارزیابی داشته و همچنین شبکههای هوش مصنوعی در مقایسه با روابط تجربی دقت بیشتری داشتهاند.

عمق آبشستگی، پایه پل،هوش مصنوعی، FFBP، RBF، ANFIS، GMDH،FSORBF