تخمين عمق آبشستگي موضعي در زير خطوط لوله مدفون در بستر دريا با استفاده ازمدل درخت (mt)

Prediction of Local Scour Depth Bellow Pipeline Buried in Seabed Using Model Tree

استفاده از روشهاي هوش مصنوعي در برآورد بيشترين عمق آبشستگي زير خطوط لوله حفر شده در كف دريا زيادي پيدا كرده است. نتايج اين گونه مطالعات نشان داد كه روشهاي هوشمند تكاملي نسبت به روابط تجربي مي توانند كارايي بيشتري را داشته باشند. لذا در اين مطالعه، از مدل درخت (MT) جهت تخمين عمق آبشستگي زير خط لوله در شرايط جريان آب زلال و بستر زنده استفاده مي شود. متغير هاي تاثير گذار بر بيشترين عمق آبشستگي شامل خصوصيات فيزيكي رسوبات بستر، قطر لوله، عمق جريان بالادست و سرعت متوسط حريان بالادست مي شوند. با استفاده از آناليز ابعادي، پارامتر هاي موثر به عنوان متغيرهاي ورودي مدل درخت مشخص مي گردند. مدل درخت بر مبناي داده هاي آزمايشگاهي در دو شرايط مختلف رسوبي آب زلال و بستر زنده توسعه داده مي شود. بعد از انجام مراحل آموزش و تست مدل MT، با استفاده پارامتر هاي معيار خطا عملكرد مدل پيشنهادي مورد بررسي قرار مي گيرد. بيشترين عمق آبشستگي حاصل از مدل درخت با نتايج مدل هوشمند روش دسته بندي گروهي داده ها (GMDH)، روابط تجربي ابراهيم و نالوري(1986)، مونكادا و آگويرا (1999) مي شوند. همچنين، تاثير گذارترين پارامتر بر عمق آبشستگي زير خط لوله با استفاده از آناليز حساسيت مشخص مي شود.

The use of artificial intelligence methods in the estimation of the maximum scouring depth below the sea floor drilled pipelines in the lot. The results of these studies indicated that the experimental methods of intelligent evolutionary relations can have more performance. Therefore, in this study, from the model tree (MT) for estimating scouring depth beneath the pipeline in terms of clear water and stream live platform is used. The variables influencing physical characteristics include the maximum scouring depth scales, pipe diameter, depth and average velocity upstream of the flow of the stream upstream. With the use of dimensional analysis, the effective parameter as input variables of the specified tree model. Tree model based on laboratory data in two different depositional conditions of clear water and live platform will be developed. After doing the steps of training and testing of parameters used with the MT model, the criterion proposed by the model of performance error. The maximum scouring depth resulting from the model tree with the results of the smart group sorting method model data (GMDH), Ibrahim nalori and experimental relations (1986), moncada and agovira (1999). Also, the effect of scouring depth on the following gzarterin parameters pipeline using sensitivity analysis may be specified.