تخمین عمق آبشستگی پایه های پل با استفاده از روش های آماری و الگوریتم های هوشمند

تخمین دقیق عمق آبشستگی اطراف پایه های پل در کارهای مهندسی حائز اهمیت می باشد. به دلیل پیچیدگی این پدیده بسیاری از روابط موجود قادر نمی باشند عمق آبشستگی را با دقت قابل قبولی پیش بینی نمایند. در این تحقیق ابتدا 17 رابطه تخمین عمق آبشستگی با داده های میدانی مقایسه شدند و رابطه فروهلیچ 1991 به عنوان بهترین رابطه انتخاب گردید. سپس با استفاده از روش های ترکیبی میانگین (C-SAM)، رگرسیون خطی (C-REG) و ماشین بردار پشتیبان (C-SVM) 5 رابطه تخمین عمق آبشستگی (شن، فروهلیچ، فروهلیچ اصلاح شده، بلنچ I و اینگلیس II) که دارای کمترین خطا بودند با یکدیگر ترکیب شدند.
مقایسه در مرحله صحت سنجی نشان داد نتایج C-SAM به دلیل این که از میانگین روابط استفاده می نماید، تفاوتی با رابطه فروهلیچ ندارد؛ اما C-REG و به ویژه C-SVM توانسته اند نتایج را بهبود بخشند. C-SVM توانسته ضریب همبستگی و خطای RMSE رابطه فروهلیچ را به ترتیب از 59/0 به 85/0 و از 63/0 به 42/0 تغییر دهد. با استفاده از SVM عمق آبشستگی با استفاده از پارامترهای موثر بر آبشستگی (P-SVM) بررسی گردید. نتایج نشان دادند دقت P-SVM قابل قبول است. دقت P-SVM با ضریب همبستگی 77/0 و خطای RMSE 51/0 بین دو روش C-REG و C-SVM قرار دارد. در این تحقیق نشان داده شد ترکیب روابط تجربی با استفاده از تکنیک SVM دارای بیشترین دقت و ترکیب پارامترهای موثر بر آبشستگی در رتبه دوم قرار دارد. همچنین نتایج این تحقیق نشان دادند SVM با استفاده از هوش مصنوعی می تواند پدیده آبشستگی را با دقت بیشتری نسبت به روابط تجربی شبیه سازی نماید.