بیژن صناعتی - استادیار، گروه عمران، دانشکده مهندسی، دانشگاه آزاد اسلامی، واحد بوکان، بوکان، ایران

در این پژوهش از دو مدل یادگیری ماشین شامل LS-SVR و ANFIS برای پیش­بینی عمق آب شستگی اطراف پایه­های پل استفاده شد. برای این منظور از ۲۴۰ سری داده شامل پارامترهای مرتبط با هندسه پایه ها، شرایط جریان و خصوصیات جریان و نیز پارامترهای بدون بعد استفاده شد. برای پیش­بینی از دو الگوی ورودی استفاده شد. در الگوی اول، پارامترهای بدون بعد و در الگوی دوم پارامترهای با بعد در نظر گرفته شدند. عملکرد مدل ها با استفاده از معیارهای ریشه میانگین مربعات خطا (RMSE)، میانگین درصد مطلق خطا (MAPE) و ضریب نش-ساتکلیف (NSE) ارزیابی شدند. نتایج نشان داد که در هر دو مدل، استفاده از پارامترهای با بعد برای پیش­بینی منجر به دقت بالای پیش­بینی می شود. مقایسه بین مدل ها نیز نشان داد که الگوریتم LS-SVR  با معیارهایRMSE=۴۶.۸۴, MAPE=۳۸.۰۳ , NSE=۰.۶۲ برای داده­های آزمون الگوی اول و RMSE=۲۸.۶۲ , MAPE=۳۸.۹۷ , NSE=۰.۶۷ برای داده­های آزمون الگوی دوم دقت بالاتری نسبت به الگوریتم ANFIS دارد. نتایج این تحقیق حاکی از این است که مدل­های یادگیری ماشین جایگزین مناسبی برای مدل­های تجربی در پیش­بینی عمق آبشستگی پایه­های پل هستند.

عمق آب شستگی, گروه پایه پل ها, یادگیری ماشین, پیش بینی, LS-SVR