نوع مقاله : مقاله پژوهشی

نویسنده

• بیژن صناعتی

گروه عمران، دانشگاه آزاد اسلامی

چکیده

در این پژوهش از دو مدل یادگیری ماشین شامل LS-SVR و ANFIS برای پیش‌بینی عمق آب شستگی اطراف پایه‌های پل استفاده شد. برای این منظور از 240 سری داده شامل پارامترهای مرتبط با هندسه پایه ها، شرایط جریان و خصوصیات جریان و نیز پارامترهای بدون بعد استفاده شد. برای پیش‌بینی از دو الگوی ورودی استفاده شد. در الگوی اول، پارامترهای بدون بعد و در الگوی دوم پارامترهای با بعد در نظر گرفته شدند. عملکرد مدل‌ها با استفاده از معیارهای ریشه میانگین مربعات خطا (RMSE)، میانگین درصد مطلق خطا (MAPE) و ضریب نش-ساتکلیف (NSE) ارزیابی شدند. نتایج نشان داد که در هر دو مدل، استفاده از پارامترهای با بعد برای پیش‌بینی منجر به‌دقت بالای پیش‌بینی می‌شود. مقایسه بین مدل‌ها نیز نشان داد که الگوریتم LS-SVR با معیارهایRMSE=46.84, MAPE=38.03 , NSE=0.62 برای داده‌های آزمون الگوی اول و RMSE=28.62 , MAPE=38.97 , NSE=0.67 برای داده‌های آزمون الگوی دوم دقت بالاتری نسبت به الگوریتم ANFIS دارد. نتایج این تحقیق حاکی از این است که مدل‌های یادگیری ماشین جایگزین مناسبی برای مدل‌های تجربی در پیش‌بینی عمق آبشستگی پایه‌های پل هستند.

کلیدواژه‌ها

• عمق آب شستگی
• گروه پایه پل‌ها
• یادگیری ماشین
• پیش‌بینی
• LS-SVR

موضوعات

• سازه های آبی

عنوان مقاله [English]

Performance evaluation of the LS-SVR model in predicting scour depth in the bridge piers group

نویسنده [English]

• BIJAN SANAATI

Civil engineering department, Islamic Azad University

چکیده [English]

In this research, two machine learning models including Least Squares Support Vector Machines (LS-SVR) and Adaptive Neuro-Fuzzy Inference System (ANFIS) were used to predict the scour depth around the bridge piers. For this purpose, 240 data series including pier geometry, flow condition, sediment characteristics, and some dimensional parameters were used. Dimensional and no dimensional parameters were considered. The performance of the models was evaluated using root mean square error (RMSE), mean absolute percentage error (MAPE) and Nash–Sutcliffe efficiency (NSE) criteria. The results showed that in both models, the use of dimensional parameters for prediction leads to high prediction accuracy. The comparison between the models also showed that the LS-SVR algorithm with the criteria RMSE=46.84, MAPE=38.03, NSE=0.62 for the test data of the first model and RMSE=28.62, MAPE=38.97, NSE=0.67 for the test data results of the second pattern are more accurate than the ANFIS algorithm. The results of this research indicate that machine learning models are a suitable alternative to empirical models in predicting scour depth of bridge piers.

کلیدواژه‌ها [English]

• LS-SVR
• Machine Learning
• Prediction
• Scour Depth
• bridge piers group