چکیده:
پایداری پایههای پل احداث شده روی رودخانهها یا کانالهای عریض و عمیق آبیاری یکی از دغدغه های مهم مهندسان سازههای آبی است. در آزمایشگاههای هیدرولیک برای محاسبه عمق چاله آبشستگی پایه‌پل روابط متعددی ارائه شده است، برای داده‌های میدانی متاثر از شرایط محیطی غیرقابل کنترل، رابطه جامع و مانعی گزارش نشده است. فرایند گاوسی شامل مجموعه‌ای از متغیر‌های تصادفی به عنوان یکی از روش‌های نوین داده‌کاوی، با داشتن خصوصیات نرمال و با بهره‌گیری از توابع کرنل توانایی بالایی در حل مسائل غیرخطی دارد. در این تحقیق، کارایی روش رگرسیون فرایند گاوسی در تخمین عمق آبشستگی پایه پل برای داده‌های میدانی بررسی و نتایج به دست آمده با نتایج هشت رابطه تجربی مقایسه شد. از میان روابط تجربی مورد ارزیابی، رابطه فرولیک نسبت به سایر روابط دارای عملکرد بهتر و دقت بیشتری است. در تخمین عمق آبشستگی با پارامترهای با بعد و با استفاده از روش رگرسیون فرایند گاوسی با تابع کرنل پیرسون، ترکیب پارامترهای ورودی شامل ضریب شکل پایه پل، عرض پایه پل، متوسط اندازه ذرات رسوبی بستر و عمق جریان بهترین ترکیب پارامتر ورودی شناخته شد. نتایج نشان می‌دهد که در تخمین عمق آبشستگی با داده‌های میدانی روش رگرسیون فرایند گاوسی، در مقایسه با روابط تجربی کارایی نسبتا بالاتری دارد.
چکیده انگلیسی:
The stability of bridge piers on rivers or in wide and deep irrigation channels is a major concern for hydraulic structural engineers. Despite development of several empirical equations for determining local scour depth at bridge abutments in hydraulic laboratories, for field data, which is affected by uncontrollable environmental circumstances, no comprehensive relationship has been reported. Gaussian process regression (GPR) is a data mining method consisting of a set of random variables that, according to normal characteristics using kernel functions, have a high ability to solve nonlinear problems. This study evaluated the efficiency of GPR for estimating pier scour depth using field scour data and compared the results with those from eight empirical equations. Of the empirical equations studied, the Froehlich empirical equation showed the best performance and was more accurate than the other experimental equations. When estimating the scour hole depth using dimensional parameters and GPR with a Pearson kernel function, the combination of input parameters of pier form factor, pier width, average particle size of bed sediment, and depth of stream provided the best-case scenario. The results represent the greatest efficiency and highest accuracy of GPR in comparison with empirical equations to estimate scour depth using sets of field data.
خبرنامه
برای ثبت نام در خبرنامه و دریافت خبرنامه ایمیل خود را وارد نمایید.
