ارزیابی عملکرد مدل LS-SVR در تخمین عمق آبشستگی در گروه پایه پل ها
عنوان مقاله: ارزیابی عملکرد مدل LS-SVR در تخمین عمق آبشستگی در گروه پایه پل ها
شناسه ملی مقاله: JR_JEWE-10-1_007
منتشر شده در در سال 1403
شناسه ملی مقاله: JR_JEWE-10-1_007
منتشر شده در در سال 1403
مشخصات نویسندگان مقاله:
بیژن صناعتی - استادیار، گروه عمران، دانشکده مهندسی، دانشگاه آزاد اسلامی، واحد بوکان، بوکان، ایران
خلاصه مقاله:
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.
کلمات کلیدی: عمق آب شستگی, گروه پایه پل ها, یادگیری ماشین, پیش بینی, LS-SVR
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1891262/