برآورد بیشترین ژرفای آبشستگی در پیرامون پایه های پل با بهره وری از شبکه های وایازی کلی و پرسپترون چند لایه ای

در این مطالعه، شبکه های وایازی کلی (GRNN) و پرسپترون چند لایه ای (MLP) برای برآورد بیشترین ژرفای آبشستگی مورد بهره وری قرار گرفتند. الگوریتم های Levenberg-Marquardt و Momentum به عنوان الگوریتم های آموزشی، و دو تابع Tanh و Sigmoid نیز به عنوان توابع فعال ساز در این پژوهش جهت ساختن شبیه های عصبی به کار رفتند. تاکنون مطالعات گسترده ای در زمینه ی استفاده از شبیه های مختلف شبکه ی عصبی جهت برآورد بیشترین ژرفای آبشستگی اطراف پایه های پل صورت گرفته است که بیشتر این پژوهش ها دارای دو مشکل عمده بوده اند: در نظر گرفتن شکل استوانه ای به عنوان پایه های پل، و استفاده از اطلاعات آزمایشگاهی برای ساختن شبیه ها از مهمترین کاستی های مطالعات صورت گرفته در زمینه ی برآورد بیشترین ژرفای آبشستگی اطراف پایه های پل به حساب می آیند. بر همین اساس، در این پژوهش علاوه بر شکل استوانه ای از اشکال مستطیلی، گرد گوشه و نوک تیز نیز استفاده شده است. همچنین برای ساختن و صحت سنجی شبیه ها از اطلاعات واقعی، که مشتمل بر 475 داده ی مربوط به آبشستگی اطراف پایه های پل بوده بهره وری شده است. در این پژوهش، بر خلاف پژوهش های گذشته که از روش آزمون و لغزش برای تعیین شمار نرون های لایه ی مخفی استفاده می شد، از الگوریتم ژنتیک جهت این منظور بهره وری گردیده است. نتایج مقایسه ی شبیه های مختلف عصبی نشان-دهنده ی دقت بیشتر شبیه GRNN بوده است. برای بررسی کارآیی این شبیه از معادلات تجربی موجود نیز استفاده شد، که از جمله می توان به روابط بروسرز و همکاران، فروهلیچ، ملویل و ملویل، و چیو اشاره کرد. نتایج شبیه های مختلف نشان دادند که شبیه عصبی ارائه شده از کارآیی بهتری نسبت به روابط موجود برخوردار است. جهت تعیین تاثیر فراسنج های مختلف بر آبشستگی از تحلیل حساسیت استفاده شد. نتایج این تحلیل نشان دادند که فراسنج سرعت نسبت به دیگر فراسنج های مستقل بیشترین تاثیر را بر آبشستگی اطراف پایه های پل داراد.