استفاده از روشهای نوین در تعیین پارامترهای موثر بر آبشستگی پایه پل

نوع مقاله: مقاله پژوهشی

نویسنده

گروه مهندسی آب، دانشگاه گنبد کاووس

چکیده

چکیده
تخمین عمق آبشستگی در اطراف پایه پل برای مهندسان ضروری است. تاکنون روابط تجربی زیادی به منظور
پیش بینی عمق آبشستگی ارائه شده است و در این روابط از پارامترهای با بعد و بیبعد مختلفی به منظور تخمین
استفاده گردیده است. در این تحقیق دو سری پارامترهای دارای بعد و بدون بعد که انتظار میرود بر آبشستگی پایه پل
مؤثر باشند انتخاب گردید. سپس با استفاده از سه روش آزمون گاما ) GT (، تحلیل مؤلفههای اصلی ) PCA ( و رگرسیون
گام به گام ) FS ( پارامترهای مؤثر بر آبشستگی از بین کل پارامترها انتخاب شدند. با استفاده از آزمون گاما مشخص شد
مهمترین پارامتر دارای بعد و بدون بعد به ترتیب سرعت بحرانی و نسبت طول به عرض پایه پل است و شکل پایه
کمترین تأثیر را در تخمین دارد. همچنین مشخص گردید تعداد مناسب داده به منظور آموزش مدل 063 عدد است. با
استفاده از تکنیک ماشین بردار پشتیبان ) SVM ( اقدام به شبیهسازی و تخمین عمق آبشستگی با استفاده از
پارامترهای تعیین شده توسط سه روش گردید. نتایج نشان داد پارامترهای بیبعد تعیین شده توسط هر سه روش دقت
کمی در تخمین عمق آبشستگی دارند اما تکنیک SVM توانسته با استفاده از پارامترهای دارای بعد تخمین قابل قبولی
ارائه دهد. مقدار ضریب تعیین تکنیک SVM با استفاده از پارامترهای ورودی روشهای GT ، PCA و FS در مرحله
3 و خطای / 3 و 47 /66 ،3/ آزمون به ترتیب برابر با 47 RMSE 3 متر گردید. در این / 3 و 67 /65 ،3/ به ترتیب برابر 66
تحقیق به منظور افزایش دقت، دو ترکیب مختلف از پارامترهای ورودی برای تخمین آبشستگی با اعماق کم و زیاد
تعیین گردید. دقت حاصل از پیشبینی عمق آبشستگی SVM با روابط تجربی مقایسه گردید و نتایج نشان داد SVM
قابلیت بالایی در تخمین عمق آبشستگی با استفاده از پارامترهای دارای بعد دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Determinations of Affecting Parameters on Bridge Pier Scour Using New Methods

نویسنده [English]

  • Motreza Seyedian
Assistant Professor of Ghonbad Kavous University, Water Department
چکیده [English]

Estimating of bridge piers scouring is essential for engineers. Since many empirical formulas to predict the scour depth is presented and this formula used various dimensionless and dimensional parameters. In this study, two series dimensional and dimensionless parameters that are expected to be effective on pier scour were selected. Then, parameters affecting the scour were selected using three different methods: gamma test (GT), principal component analysis (PCA) and stepwise regression (FS). Findings indicated that using GT critical velocity and pier length to width ratio are most important dimensional and dimensionless parameters respectively and pier shape is less effective. Furthermore, 360 amounts of training data are required to ensure robust model estimation. Finally, we examine the use of support vector machines (SVMs) for estimating the scour depth using selected input parameters by three methods. The results showed that the accuracy of dimensionless parameters set by all three methods is low, but SVM technique was estimate the scour depth using dimensional parameters successfully. The coefficient of determination of the GT, PCA and FS parameters in test phase is 0.76, 0.69 and 0.73 respectively and RMSE is 0.63, 0.55 and 0.50 respectively. In this study, in order to increase accuracy, two different combinations of input parameters to estimate the scour depths were determined. The performances of SVM and empirical formula for scour depth prediction were compared and results showed that SVM model can be used for predicting scour depth more accurately compared to empirical formula using dimensional parameters.

کلیدواژه‌ها [English]

  • FS
  • Gamma Test
  • Pier Scour
  • PCA
  • SVM

بازرگانی لاری، ع. 1384. رگرسیون خطی کاربردی. چاپ اول. انتشارات مرکز نشر دانشگاه شیراز، 329 ص.

ظهیری، ج.، م. ظهیری و م. سالاری جزی. 1391. برآورد بیشترین ژرفای آبشستگی در پیرامون پایه­های پل با بهره­وری از شبکه­های وایازی کلی و پرسپترون چند لایه­ای. فصلنامه مهندسی منابع آب. 14(3): 51 -60 .

غضنفری هاشمی س. و اعتماد شهیدی ا. 1391. پیش­بینی عمق آبشستگی اطراف پایه پل با استفاده ازماشین‌های بردار پشتیبان. عمران مدرس، 12(2): 23 - 36.

Bateni, S. M., S. M. Borghei and D.S. Jeng. 2007a. Neural network and neuro-fuzzy assessments for scour depth around bridge piers. Engineering Applications of Artificial Intelligence 20: 401–414.

Bateni, S. M., D. S. Jeng and B. W. Melville. 2007b. Bayesian neural networks for prediction of equilibrium and time-dependent scour depth around bridge piers. Advances in Engineering Software 38: 102–111.

Breusers, H. N. C., G. Nicollet and H. W. Shen. 1977. Local scour around cylindrical piers. Journal of Hydraulic Research15:211–52.

Corcoran, J., I. Wilson and J. Ware. 2003. Predicting the geo-temporal variation of crime and disorder. International Journal of Forecast, 19: 623–634.

Dargahi, B. 1990. Controlling mechanism of local scouring. Journal of Hydrologic Engineering, 116: 1197–1214.

Dibike, Y. B., S. Velickov, D. P., Solomatine and M. B. Abbott. 2001. Model induction with support vector machines: introduction and applications. Journal of Computing in Civil Engineering, 15: 208–216.

Durrant, P. J. 2001. wingamma: A Non-linear Data Analysis and Modeling Tool with Applications to Flood Prediction. PhD thesis, Department of Computer Science, Cardiff University, Wales, UK.

Ettema, R., B. W. Melville and B. Barkdoll . 1998. Scale effect of pier-scour experiments. Journal of Hydraulic Engineering, 124: 639–642.

Firat, M. and M. Gungor . 2009. Generalized Regression Neural Networks and Feed Forward Neural Networks for Prediction of Scour Depth around Bridge Piers. Advances in Engineering Software, 40:731-737.

Hancu, S. 1971. Sur le calcul des affouillements locaux dams la zone des piles des ponts. Proceedings of 14th IAHR Congress, Paris, France, vol. 3, International Association for Hydraulic Research, Delft, the Netherlands.

Hong, J. H., Y. M., Chiew, J. Y., Lu, J. S. Lai and Y. B. Lin. 2012. Case study: Houfeng bridge failure in Taiwan. Journal of Hydraulic Engineering, 138: 186–198.

Ismail, A., D. S. Jeng, L. L. Zhang, and J. S. Zhang. 2013. Predictions of bridge scour: Application of a feed-forward neural network with an adaptive activation function, Engineering Applications of Artificial Intelligence, 26:1540–1549.

Laursen, E. M. and A. Toch. 1956. Scour around bridge piers and abutments. Bulletin No. 4, Iowa Highway Research Board, Ames, Iowa.

Lee, T. L., D. S. Jeng, G. H. Zhang and J. H. Hong . 2007, Neural network modeling for estimation of scour deptharound bridge piers. Journal of hydrodynamics, 19:378-386.

Mahesh P., N. K. Singh and N. K. Tiwari. 2011. Support vector regression based modeling of pier scour using field data. Engineering Applications of Artificial Intelligence, 24: 911–916.

Melville, M. and C. Coleman. 2000. Bridge Scour, Water Resource Publications, LLC., Highlands Ranch, Colorado, U.S.A.

Moghaddamnia,  A., M. Ghafari-Gousheh , J. Piri, S. Amini, and D. Han. 2008. Evaporation estimation using artificial neural networks and adaptive neurofuzzy inference system techniques. Advances in Water Resources.

Mueller, D. S. and C. R. Wagner. 2005. Field observations and evaluations of streambed scour at bridges. Report No. FHWA-RD-03-052, Office of Engineering Research and Development, Federal Highway Administration, 134 pp.

Noori,  R., A. R. Karbassi, A. Moghaddamnia, D. Han, M. H. Zokaei-Ashtiani, A. Farokhnia and M. Ghafari Gousheh. 2011. Assessment of input variables determination on the SVM model performance using PCA, Gamma test, and forward selection techniques for monthly stream flow prediction, Journal of Hydrology, 401: 177–189.

Pai, P. and C. Lin. 2005. A hybrid ARIMA and support vector machines model in stock price forecasting. Omega, 33:197–505.

Piri, J., S. Amin, A. Moghaddamnia, A. Keshavarz, D. Han and R. Remesan. 2009. Daily pan evaporation modelling in a hot and dry climate. ASCE Journal of Hydrologic Engineering.

Remesan, R., M. A. Shamim and D. Han. 2008. Model data selection using Gamma test for daily solar radiation estimation. Hydrological Processes 22: 4301–4309.

Shen, H. W. 1971. River Mechanics. Colorado State University, Fort Collins, CO.

Shirole, A. M. and R. C. Holt. 1991. Planning for a comprehensive bridge safety assurance program. Transp. Res. Rec. No. 1290, Transportation Research Board, Washington, D.C., 137–142.

Tsui, A. P. M., A. J. Jones and A. G. Oliveira. 2002. The construction of smooth models using irregular embeddings determined by a gamma test analysis. Neural Computing Application, 10:318–329.

Vapnik, V. 1995. The Nature of Statistical Learning Theory. Springer-Verlag, New York.

Wang, X. X., S. Chen, D. Lowe and C. J. Harris. 2006. Sparse support vector regression based on orthogonal forward selection for the generalised kernel model. Neurocomputing, 70:462–474.

Zhang, Y., H. Li, A. Hou and J. Havel. 2006. Artificial neural networks based on principal component analysis input selection for quantification in overlapped capillary electrophoresis peaks. Chemom Intelligence Laboratory System, 82, 165–175.

Zhang Y. X. 2007. Artificial neural networks based on principal component analysis input selection for clinical pattern recognition analysis. Talanta, 73: 68–75.

Zhou, J., J. Shi and G. Li. 2011. Fine tuning support vector machines for short-term wind speed forecasting. Energy Conversion and Management, 52:1990–8.