تخمين ميزان عمق آبشستگي پايه پل با استفاده از سيستم استنتاجي عصبي-فازي تطبيقي بهينه سازي شده با الگوريتم‌ رقابت استعماري

Estimation of Bridge Pier Scour Using Adaptive Neuro-Fuzzy Inference System Optimized with Imperialist Competitive Algorithm

تعيين عمق آبشستگي پايه پل در هنگام وقوع سيلاب يكي از پارامترهاي اصلي در طراحي شالوده پايه پل‌ها مي‌باشد كه از ديرباز مورد توجه پژوهشگران مختلف جهت ارايه روش‌هاي دقيق براي محاسبه آن بوده است. با اين وجود، روابط تجربي مورد استفاده به علت پيچيدگي زياد و پارامترهاي متعدد دخيل در اين پديده از دقت و كارايي كافي برخوردار نبوده و امكان طراحي اقتصادي و فني بر اساس نتايج آن‌ها مقدور نيست. بدين منظور در اين پژوهش با استفاده از سيستم استنتاجي عصبي- فازي تطبيقي و بهينه‌سازي آن با استفاده از الگوريتم‌ رقابت استعماري يك مدل جهت تخمين عمق آبشستگي پايه پل ارايه شده است. مقايسه نتايج مدل‌ پيشنهادي حاضر با نتايج مدل مبنا بر اساس ضريب تعيين بدست آمده نشان داد كه دقت و كارايي مدل مبنا با بهينه سازي‌هاي صورت گرفته به مقدار 51 درصد افزايش يافته است. همچنين مقايسه نتايج مدل‌ پيشنهادي با نتايج روابط تجربي با استفاده از خطاي جذر ميانگين مربعات نشان داد مدل‌ يشنهادي نسبت به روابط مذكور نتايج بهتري را كسب كرده است. به عنوان مثال ميزان خطاي جذر ميانگين مربعات در مقايسه با رابطه فروهليچ كه بهترين عملكرد را در بين روابط تجربي دارد، 17درصد كمتر شده است.

Determining the scouring depth around bridge piers during flood has been considered as one of the main and important parameters in designing the foundations of bridge piers. Thus, it has been the subject of numerous studies to provide precise methods to calculate these elements. Due to the high complexity of this phenomenon and various involved parameters, the utilized empirical relations have not sufficient accuracy and efficiency; accordingly, economic and technical design based on their results is not feasible. In this regard, a new model is provided to estimate the scouring depth around bridge piers using Neuro-Fuzzy Comparative Inference System that optimized by Imperialist Competitive Algorithm. Comparing the results of proposed model with the results of base models showed that the accuracy and efficiency of the base models increased significantly with these optimizations. In addition, comparing the results of proposed models with the results of empirical relations from Mississippi, HEC-18, Laursen and Toch, and Froehlich showed that proposed model has significantly better accuracy in comparison with mentioned experimental relations.