ارزیابی عملکرد روش های داده کاوی و روابط تجربی در تخمین عمق آب شستگی اطراف پایه های پل
Publish place: Water Resources Engineering Journal، Vol: 9، Issue: 30
Publish Year: 1395
نوع سند: مقاله ژورنالی
زبان: Persian
View: 42
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_WEJMI-9-30_003
تاریخ نمایه سازی: 28 بهمن 1402
Abstract:
یکی از عواملی که همواره پلها را مورد تهدید قرار میدهد، آبشستگی موضعی میباشد. پرشمار بودن فراسنجهای تاثیرگذار بر پدیدهی آبشستگی و همچنین پیچیدگی فرایند آبشستگی، بررسی این پدیده را با دشواریهای بسیار همراه نموده است. بهرغم تلاشهای زیاد صورت گرفته در این زمینه و تعدد روابط تجربی موجود، رابطهی کلی و جامعی برای تخمین عمق حفرهی آبشستگی در همهی شرایط موجود نیست. امروزه استفاده از روشهای نوین دادهکاوی، سامانههای هوشمند و نرمافزار درختی M۵، برای حل و شبیهسازی مسائل پیچیدهی مهندسی آب مورد توجه واقع شدهاند. در این تحقیق، با استفاده از دادههای آزمایشگاهی و مشخص نمودن ۱۰ نمایشنامه مختلف، شامل ترکیبهای متفاوتی از عوامل موثر بر آبشستگی، سعی بر بررسی کارایی روشهای شبکه عصبی مصنوعی و نرمافزار درختی M۵ در تخمین عمق آبشستگی پایهی پل و مقایسهی دستاوردها با نتایج روابط تجربی Melville، Mississippi و HEC-۱۸ شده است. نتایج بهدست آمده نشان دادند نرمافزار درختی M۵، با ارائهی دو قانون ساده اگر-آنگاه و با ضریب همبستگی ۹۵/۰ در مقایسه با روش شبکههای عصبی مصنوعی و روابط تجربی در تخمین آبشستگی از کارایی بالایی برخوردار است. همچنین، مشخص گردید که برای دادههای آزمایشگاهی مورد استفاده در این تحقیق و از بین روابط تجربی موجود، روابط HEC-۱۸، Mississippi و Melville به ترتیب از دقت نسبتا بالایی برخوردار می باشند.
Keywords:
Authors
محمدتقی ستاری
محمدتقی ستاری، عضو هیئت علمی گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
علی رضازاده جودی
کارشناس ارشد عمران آب، باشگاه پژوهشگران جوان و نخبگان، واحد مراغه، دانشگاه آزاد اسلامی، مراغه، ایران.
هادی ارونقی
عضو هیئت علمی گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :