برآورد بيشترين ژرفاي آبشستگي در پيرامون پايه هاي پل با بهره‌وري از شبكه‌ هاي وايازي كلي و پرسپترون چند لايه‌اي

Generalized Neural Networks and Multi Layer Perceptron for Prediction of Equilibrium Scour Depth Around Bridge Piers

در اين مطالعه، شبكه‌ هاي وايازي كلي (GRNN) و پرسپترون چند لايه‌اي (MLP) براي برآورد بيشترين ژرفاي آبشستگي مورد بهره‌وري قرار گرفتند. الگوريتم هاي Levenberg-Marquardt و Momentum به عنوان الگوريتم هاي آموزشي، و دو تابع Tanh و Sigmoid نيز به عنوان توابع فعال ساز در اين پژوهش جهت ساختن شبيه هاي عصبي به كار رفتند. تاكنون مطالعات گسترده اي در زمينه‌ي‌ استفاده از شبيه هاي مختلف شبكه‌ي عصبي جهت برآورد بيشترين ژرفاي آبشستگي اطراف پايه هاي پل صورت گرفته است كه بيشتر اين پژوهش ها داراي دو مشكل عمده بوده اند: در نظر گرفتن شكل استوانه اي به عنوان پايه هاي پل، و استفاده از اطلاعات آزمايشگاهي براي ساختن شبيه ها از مهمترين كاستي هاي مطالعات صورت گرفته در زمينه‌ي برآورد بيشترين ژرفاي آبشستگي اطراف پايه هاي پل به حساب مي آيند. بر همين اساس، در اين پژوهش علاوه بر شكل استوانه اي از اشكال مستطيلي، گرد گوشه و نوك تيز نيز استفاده شده است. همچنين براي ساختن و صحت سنجي شبيه ها از اطلاعات واقعي، كه مشتمل بر 475 داده‌ي مربوط به آبشستگي اطراف پايه هاي پل بوده بهره‌وري شده است. در اين پژوهش، بر خلاف پژوهش هاي گذشته كه از روش آزمون و لغزش براي تعيين شمار نرون هاي لايه‌ي مخفي استفاده مي شد، از الگوريتم ژنتيك جهت اين منظور بهره‌وري گرديده است. نتايج مقايسه‌ي شبيه هاي مختلف عصبي نشان-دهنده‌ي دقت بيشتر شبيه GRNN بوده است. براي بررسي كارآيي اين شبيه از معادلات تجربي موجود نيز استفاده شد، كه از جمله مي توان به روابط بروسرز و همكاران، فروهليچ، ملويل و ملويل، و چيو اشاره كرد. نتايج شبيه هاي مختلف نشان دادند كه شبيه عصبي ارايه شده از كارآيي بهتري نسبت به روابط موجود برخوردار است. جهت تعيين تاثير فراسنج هاي مختلف بر آبشستگي از تحليل حساسيت استفاده شد. نتايج اين تحليل نشان دادند كه فراسنج سرعت نسبت به ديگر فراسنج هاي مستقل بيشترين تاثير را بر آبشستگي اطراف پايه هاي پل داراد.

Perceptron and generalized regression neural network (GRNN) have been used to predict the maximum depth of scour around bridge piers. Levenberg-Marquardt and Momentum as training algorithms and Sigmoid and Tanh as activation functions have been used in this study. Many studies have been conducted recently using the artificial intelligence techniques to predict bridge pier scour. Application of the circular pier shape and experimental data in place of the real data are the weaknesses of most of the previous stidies. Therefore, the rectangular-based piers with rounded edges, and the sharp-edged piers have been studied in the present research in addition to the cylindcal piers. Furthermore, 475 real data have been used to build and verify the neural models. In contrast to the studies in which the trial and error were used to determine the number of hidden layers, the genetic algorithm was used in this study to determine hidden layer neurons. The result of all neural models indicated that the GRNN model estimates equilibrium scour depth more accurately than the other models. To examine the accuracy of the GRNN model, some popular empirical models such as the Laursen and Toch, Shen, Breusers et al., Froehlich, Melville and Melville, and Chiew have also been used. Although the Froehlich model provided a better accuracy than those of the others, the result developed by the GRNN model were in better agreement with the real data. The sensitivity analysis indicated that the mean velocity had a greater influence on equilibrium scour depth than the other independent parameters.