ارزیابی عملکرد مدل LS-SVR در تخمین عمق آبشستگی در گروه پایه پل ها

در این پژوهش از دو مدل یادگیری ماشین شامل LS-SVR و ANFIS برای پیش بینی عمق آب شستگی اطراف پایه های پل استفاده شد. برای این منظور از 240 سری داده شامل پارامترهای مرتبط با هندسه پایه ها، شرایط جریان و خصوصیات جریان و نیز پارامترهای بدون بعد استفاده شد. برای پیش بینی 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 پیش بینی منجر به دقت بالای پیش بینی می شود. مقایسه بین مدل ها نیز نشان داد که الگوریتم LS-SVR  با معیارهای RMSE=46.84, MAPE=38.03 , NSE=0.62 برای داده های آزمون الگوی اول و RMSE=28.62 , MAPE=38.97 , NSE=0.67 برای داده های آزمون الگوی دوم دقت بالاتری نسبت به الگوریتم ANFIS دارد. نتایج این تحقیق حاکی از این است که مدل های یادگیری ماشین جایگزین مناسبی برای مدل های تجربی در پیش بینی عمق آبشستگی پایه های پل هستند.