بررسی قابلیت مدلهای ترکیبی هوش مصنوعی در پیشبینی عمق آبشستگی

پیش بینی عمق آبشستگی در اطراف پایه های پل یکی از مهمتزین عوامل طراحی پل است. تاکنون معاملات تجربی فراوانی برای تخمین عمق آبشستگی با استفاده از داده های آزمایشگاه ی و روشهای مرسوم به داده کاوی به دست آمده است. اکثر این معادلات برای تخمین عمق آبشستگی در تک پایه ها است که دقت زیادی ندارد. در این مطالعه داده های ارزشمندی از داده های صحرایی جمع گردید. در سالهای اخیر، فن های داده کاوی و یادگیری ماشین در زمینه های مختلف برای ساخت سامانه های اطلاعاتی هوشمند توسعه یافته اند. بااینحال، تعداد کمی از روشهای ارائه شده توانایی پشتیبانی برخط را داشته و یا دارای انعطاف پذیری در آنالیز حجم زیادی از داده ها میباشند. در تحقیق حاضر، به منظور به دست آوردن تخمین های مناسب از پیشبینی عمق آبشستگی، در مدل تلفیقی شبکه عصبی و سیستم استنتاج فازی، از فن ازدحام ذرات استفاده شد. آنالیزها با استفاده از ۱۸۸ داده صحرایی عمق آبشستگی پایه منفرد که به وسیله سازمان حفاظت خاک آمریکا (USGS) ثبت گردیده، انجام شد. به منظور تسریع در یادگیری از طریق آموزش، برای افزایش دقت پیشبینی های کوتاه مدت از روش مومنتوم استفاده شد. نتایج نشان میدهند که روشPSO-ANFIS با کمترین ریشه میانگین مربعات خطا (RMSE) نسبت به دیگر مدلهای ارائه شده، دقت بیشتری دارد. ازاینرو، این روش با اطمینان بیشتری میتواند مورد استفاده طراحان و مهندسین قرار گیرد.

Keywords:

عمق آبشستگی , PSO-ANFIS , داده صحرایی , پایه منفرد , داده کاوی