مدل سازي آبشستگي در اطراف لوله هاي مستغرق توسط روش دسته بندي گروهي داده ها

Modeling of Scouring around Submerged Pipes by Group Method of Data Handling

در اين مطالعه، الگوي آبشستگي در اطراف لوله هاي مستغرق كه بر روي يك بستر رسوبي قرار دارد توسط روش دسته بندي گروهي داده ها(GMDH) شبيه سازي شد. به منظور بررسي توانايي مدل تركيبي از شبيه سازي هاي مونت كارلو استفاده شد. همچنين از روش اعتبار سنجي چند لايه اي (k=6) براي بررسي قابليت مدل هاي مذكور بهره گرفته شد. در ادامه با استفاده از پارامترهاي موثر بر آبشستگي شش مدل GMDH مختلف توسعه داده شد. با تجزيه و تحليل نتايج مدل سازي، مدل برتر معرفي شد. مدل مذكور نتايج آزمايشگاهي را با دقت قابل قبولي پيش بيني كرد. به عنوان مثال مقادير ضريب همبستگي، شاخص پراكندگي و خطاي جذر ميانگين مربعات برابر با 0/914، 0/160 و 0/141 محاسبه شد. براي مدل برتر نيز روابطي براي پيش بيني آبشستگي اطراف لوله هاي مستغرق بدست آمد. همچنين با انجام حساسيت سنجي پارامترهاي ورودي، نسبت فاصله بين لوله و بستر رسوبي قبل از آبشستگي به قطر لوله (e/D) به عنوان موثرترين پارمتر شناسايي شد.

In this study, scour pattern around submarine pipelines which were located on an erodible bed was simulated using Group Method of Data Handling (GMDH). Also, to assess the performance of hybrid models, the Monte Carlo simulations (MCs) were applied. In the study, the k-fold Cross Validation (k=6) was used for examination of the models ability. Then, using the effective parameters on scour, six various GMDH model were developed. By analyzing the numerical models, the superior model was introduced. The model predicted the experimental results with reasonable accuracy. For instance, correlation coefficient, scatter index and root mean square error were calculated 0.914, 0.160 and 0.141, respectively. For a superior model, some relations were obtained in order to predict the scour around submarine pipelines. In addition, by sensitivity analysis, the most influential parameter was identified. Finally, GMDH 4 model and the ratio of the distance between pipe and erodible bed to diameter pipe (e/D) were introduced as the superior model and the most effective input variable, respectively.