بهينه‌سازي مدل انفيس توسط الگوريتم ژنتيك براي تخمين عمق آبشستگي در اطراف تكيه‌گاه پل‌ها

Optimization of ANFIS Model using Genetic Algorithm for Estimation of Scour Depth around Bridge Abutments

بهينه­ سازي مدل‌هاي هوش مصنوعي از اهميت بسزايي برخوردار است زيرا باعث بهبود عملكرد اين مدل‌ها و افزايش انعطاف آنها مي‌شود. در اين مطالعه، عمق آبشستگي در مجاورت تكيه پل‌ها به شكل‌هاي مختلف توسط مدل ANFIS و ANFIS-Genetic Algorithm (GA) تخمين زده شد. به‌عبارت ديگر، براي بهينه‌سازي توابع عضويت مدل ANFIS از GA استفاده شد كه عملكرد مدل ANFIS به‌شكل قابل توجهي بهبود يافت. در ابتدا، پارامترهاي تأثيرگذار بر روي عمق آبشستگي در اطراف تكيه‌گاه پل‌ها تعريف شدند. سپس با استفاده از اين پارامترهاي ورودي، يازده مدل مختلف براي هر يك از مدل‌هاي ANFIS و ANFIS-GA توليد شدند. سپس با تجزيه و تحليل نتايج اين مدل‌ها، مدل برتر براي هر يك از روش‌هاي ANFIS و ANFIS-GA زنتيك معرفي شدند. به‌عنوان مثال، مقدار ضريب همبستگي و شاخص پراكندگي براي مدل ANFIS به‌ترتيب برابر با 0/979 و 0/070 و براي مدل ANFIS-GA نيز به‌ترتيب مساوي با 0/986 و 0/056 محاسبه شدند. علاوه بر اين، نسبت اختلاف متوسط براي مدل‌هاي برتر ANFIS و ANFIS-GA به‌ترتيب مساوي با 0/984 و 0/988 بودند. بنابراين نشان داده شد كه مدل‌هاي تركيبي ANFIS-GA دقت بيشتري در مقايسه با مدل‌هاي ANFIS داشتند. همچنين، تحليل حساسيت نشان داد كه عدد فرود (Fr) و نسبت عمق جريان به شعاع حفره آبشستگي (h/L) به‌عنوان مؤثرترين پارامترهاي ورودي براي تخمين عمق آبشستگي در مجاورت تكيه‌گاه پل‌ها شناسايي شدند.

Optimization of artificial intelligence (AI) models is a significant issue because it enhances the performance and flexibility of the numerical models. In this study, scour depth around bridge abutments with different shapes was estimated by means of ANFIS and ANFIS-Genetic Algorithm. In other words, the membership functions of the ANFIS model were optimized using the genetic algorithm, finding that the performance of ANFIS model was increased. Firstly, effective input parameters on the scour depth around bridge abutments were defined. Then, by using the input parameters, eleven ANFIS and ANFIS-GA models were produced. Next, the superior ANFIS and ANFIS-GA models were introduced by analyzing the numerical results. For example, the correlation coefficient and scatter index for ANFIS model were calculated to be 0.979 and 0.070; for ANFIS-GA, these were 0.986 and 0.056, respectively. In addition, the average discrepancy ratio (DRave) for ANFIS and ANFIS-GA models was 0.984 and 0.988, respectively. Also, it was shown that the ANFIS-GA models had more accuracy, as compared to the ANFIS models. Moreover, a sensitivity analysis showed that Froude number (Fr) and ratio of flow depth to radius of scour hole (h/L) were the most influential input parameters for simulating the scour depth around bridge abutments.