پيش بيني تغييرات عمق آبشستگي در اطراف گوشواره‌ي پلها ) (Abutmebt با استفاده از سامانه‌ي منطق فازي- عصبي ) (ANFIS و شبكه هاي عصبي (ANNs)

Prediction of Local Scour around Abutment Using ANN and ANFIS

به‌دليل پيچيده بودن الگوي سه بعدي جريان در اطراف گوشواره‌ي پل ها، برآورد دقيق تغييرات عمق آبشستگي نسبت به زمان دشوار، و در برخي موارد غير ممكن مي‌باشد. در اين تحقيق، ابتدا تغييرات عمق آبشستگي در اطراف گوشواره ها به صورت آزمايشگاهي تحت شرايط آب زلال مورد بررسي قرار گرفته است و سپس با استفاده از نتايج حاصل از سه روش، وايازي غير خطي (NLR)، شبكه هاي عصبي (ANN) و سامانه‌ي منطق فازي-عصبي (ANFIS)، تغييرات آبشستگي در اطراف اين سازه ها پيش بيني شده است. هر چند رابطه‌ي وايازي بدست آمده، نتايج بهتري را نسبت به روابط پيشين ارايه مي كند (R2=0.957, RMSE=0.049 and MAE=0.035)، اما سامانه‌ي منطق فازي- عصبي داراي دقت بالاتري نسبت به رابطه‌ي وايازي ارايه شده و هم چنين روابط پيشين مي‌باشد (R2=0.961, RMSE=0.041and MAE=0.025). نتايج حاصله از فراسنج-هاي آماري نشان مي دهد كه، هر دو روش ANNو ANFIS مي توانند به عنوان روش هاي قدرتمندي در پيش بيني عمق آبشستگي مورد استفاده قرار گيرند.

Time-variation of scour depth around abutments is more complicated due to the three-dimensional vortex flow. In this study, variation of the scour depth with time around abutments was investigated experimentally under clear-water conditions. The Nonlinear Regression (NLR), neuro-fuzzy inference system (ANFIS) and artificial neural networks (ANN) were employed to predict the time variation of scour depth at intermediate and short abutment. Statistical analysis showed that, although the presented regression method (R2=0.957, RMSE=0.049 and MAE=0.035) provided a better prediction compared to previous equations but the ANFIS (R2=0.961, RMSE=0.041and MAE=0.025) produces a more accurate result. Statistical measurements showed that ANFIS as well as ANNs can be considered as a robust technique to predict the temporal scour depth at the short and intermediate abutment.