تعداد نشریات | 23 |
تعداد شمارهها | 383 |
تعداد مقالات | 3,036 |
تعداد مشاهده مقاله | 2,760,823 |
تعداد دریافت فایل اصل مقاله | 1,950,060 |
استفاده از ترکیب الگوریتم ژنتیک و شبکه عصبی مصنوعی جهت برآورد عمق آبشستگی اطراف پایههای پل | ||
فناوری های پیشرفته در بهره وری آب | ||
مقاله 1، دوره 2، شماره 3، مهر 1401، صفحه 1-14 اصل مقاله (1.57 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22126/atwe.2022.8416.1029 | ||
نویسندگان | ||
سعیده ناصری1؛ جواد ظهیری* 2؛ احمد جعفری3 | ||
1دانشآموخته کارشناسی ارشد سازههای آبی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، ایران. | ||
2دانشیار گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، ایران. | ||
3استادیار گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، ایران. | ||
چکیده | ||
آبشستگی یک پدیده طبیعی است که در نتیجه عمل فرسایش دهنده جریان آب در آبراهههای آبرفتی رخ میدهد. این پدیده یک تهدید جدی برای پایداری سازههای واقع در مسیر جریان مانند پایهی پلها محسوب میشود. یکی از مهمترین و مؤثرترین عوامل تخریب و شکست پلها، آبشستگی اطراف پایههای پل و تکیهگاهها میباشد. امروزه با پیشرفت علم و تکنولوژی، استفاده از سیستمهای هوشمند کامپیوتری برای مدلسازی پدیدههای پیچیده و غیرخطی از اهمیت روز افزونی برخوردار شدهاند. در این تحقیق با استفاده از دادههای واقعی، کارایی سیستمهای هوش مصنوعی که شامل ترکیبی از شبکه عصبی پرسپترون چندلایه و الگوریتم ژنتیک بوده مورد بررسی قرار گرفته شده است. از میان مدلهای با تعداد نرونهای مخفی متفاوت، شبکه عصبی مصنوعی با سه نرون مخفی دارای کمترین خطا میباشد. مقایسه مقادیر نسبت اختلاف میان مدل عصبی-ژنتیک پیشنهادی و معادلات متداول موجود نشان میدهد که دقت مدل عصبی-ژنتیک از کارایی بالاتری در مقایسه با سایر معادلات برخوردار میباشد. جذر میانگین مربعات خطا در مدل پیشنهادی 51/0 محاسبه گردید در حالیکه این مقدار برای معادلات تجربی موجود بالای 89/0 محاسبه شد. | ||
کلیدواژهها | ||
شکست پل؛ هوش مصنوعی؛ الگوریتم ژنتیک؛ شبکه عصبی پرسپترون چند لایه | ||
مراجع | ||
خادمی، خیراله.، خزیمهنژاد، حسین.، و شفاعی بجستان، محمود. (1389). برداشت بیرویة مصالح رودخانهای در استان خوزستان یکی از عوامل اصلی آبشستگی پای پلهای بزرگ. سومین همایش ملی مدیریت شبکه های آبیاری و زهکشی، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز. https://civilica.com/doc/111696
رمضانی، یوسف.، قمشی، مهدی.، و موسوی جهرمی، سید حبیب. (1393). پیشبینی عمق آبشستگی تکیهگاه پل در کانالها با مقطع مرکب. مجله پژوهش آب ایران، 8(1)، 117-109. http://iwrj.sku.ac.ir/article_10975.html
روشنگر، کیومرث.، و روح پرور، بهزاد. (1392). ارزیابی عملکرد سیستم های هوش مصنوعی برای شبیهسازی آبشستگی پایههای پل در خاکهای چسبنده. نشریه دانش آب و خاک . 3(23) ، 182-169. https://water-soil.tabrizu.ac.ir/article_536.html
زارع، معصومه.، و هنر، تورج. (1394). اثر آبشکن بر کاهش عمق آبشستگی اطراف پایه پلها در پیچ رودخانهها. نشریه علوم آب و خاک (علوم و فنون کشاورزی و منابع طبیعی). 19(74)، 177-167. http://dx.doi.org/10.18869/acadpub.jstnar.19.74.14
سیدیان، مرتضی. (1394). استفاده از روشهای نوین در تعیین پارامترهای مؤثر بر آبشستگی پایه پل. فصلنامه علمی پژوهشی مهندسی آبیاری و آب. (5) 19، 1-16. http://www.waterjournal.ir/article_73653.html ظهیری، جواد. (1394). اربرد مدلهای ناپارامتریک CART و M5’ در محاسبه عمق آبشستگی اطراف پایه های پل. نشریه علمی پژوهشی مهندسی آبیاری و آب ایران، 5(4)، 50-35. http://www.waterjournal.ir/article_73790.html
مفتاحهلقی، مهدی.، و حاجبی، فاطمه. (1393). شبیه سازی سه بعدی عددی آبشستگی اطراف پایه های پل در تنگ شدگی های طولانی با استفاده از مدل عددی SSIIM، پژوهش های حفاظت آب و خاک، 21(5)، 256-241. https://jwsc.gau.ac.ir/article_2134.html
Ansari, S.A., & Qadar, A. (1994). Ultimate Depth of Scour around Bridge Piers. ASCE, Hydraulic Engineering, 51-55. https://cedb.asce.org/CEDBsearch/record.jsp?dockey=0089351 Arneson, L.A., Zevenbergen, L.W., Lagasse, P.F., & Clopper, P.E. (2012). Evaluating Scour at Bridges (No. FHWA-HIF-12-003). National Highway Institute (US). https://rosap.ntl.bts.gov/view/dot/42053 Bateni, S.M., Jeng, D.S., & Melville, B.W. (2007). Bayesian Neural Networks for Prediction of Equilibrium and Time-dependent Scour Depth around Bridge Piers. Advances in Engineering Software, 38(2), 102-111. http://dx.doi.org/10.1016%2Fj.advengsoft.2006.08.004 Etemad-Shahidi, A., & Taghipour, M. (2012). Predicting Longitudinal Dispersion Coefficient in Natural Streams Using M5′ Model Tree. Journal of Hydraulic Engineering, 138(6),542-554. http://dx.doi.org/10.1061/(ASCE)HY.1943-7900.0000550 Firat, M., & Gungor, M. (2009). Generalized Regression Neural Networks and Feed Forward Neural Networks for Prediction of Scour around Bridge Piers. Advances in Engineering Software. 40(8), 731-737. http://dx.doi.org/10.1016/j.advengsoft.2008.12.001 Hassan, W.H., Hussein, H.H., Alshammari, M.H., Jalal, H.K., & Rasheed, S.E. )2022(. Evaluation of Gene Expression Programming and Artificial Neural Betworks in PyTorch for the Prediction of Local Scour Depth around a Bridge Pier. Results in Engineering, 13, 100353. https://doi.org/10.1016/j.rineng.2022.100353 Khademi, Kh., Khuzimanejad, H., & Shafai Bajestan, M. (2010). Harvesting of river sediments in Khuzestan province is one of the main factors of washing the foot of a big step. The 3rd National Conference on Management of Irrigation and Drainage Networks, School of Water Science Engineering, Shahid Chamran University of Ahvaz. https://civilica.com/doc/111696 [In Persian] Meftah, M., & Hajebi, F. (2014). 3D numerical simulation of scouring around pier within a long contraction with applying numerical model SSIIM. Journal of Water and Soil Conservation, 21(5), 241-256. https://jwsc.gau.ac.ir/article_2134.html [In Persian] Melville, B. W. (1997). Pier and Abutment Scour: Integrated Approach. Journal of Hydraulic Engineering, 123(2), 125-136. https://doi.org/10.1061/(ASCE)0733-9429(1997)123:2(125) Melville, B.W., & Coleman, S.E. (2000). Bridge Scour. Water Resources Publications, 550. https://www.wrpllc.com/books/bsr.html Melville, B.W., & Sutherland, A.J. (1988). Design Method for Local Scour at Bridge Piers. American Society of Civil Engineers, Journal of Hydraulic Division, 114(10). https://doi.org/10.1061/(ASCE)0733-9429(1988)114:10(1210) Ramezani, Y., Ghomeshi, M., & Musavi Jahromi, S. (2014). Prediction of scour depth at bridge abutment in compound channels. Iranian Water Researches Journal, 8(1), 109-117. http://iwrj.sku.ac.ir/article_10975.html [In Persian] Roshanghar, K., & Rohparvar, B. (2013). Evaluation of Artificial Intelligence Systems for Simulation of Bridge Piers Scouring in Cohesive Soils. Water and Soil Science, 23(3), 169-182. https://water-soil.tabrizu.ac.ir/article_536.html [In Persian] Seo, I.W., & Cheong, T.S. (1998). Predicting Longitudinal Dispersion Coefficient in Natural Streams. Journal of Hydraulic Engineering, 124(1), 25-32. https://doi.org/10.1061/(ASCE)0733-9429(1998)124:1(25) Seyedian, M. (2015). Determinations of Affecting Parameters on Bridge Pier Scour Using New Methods. Irrigation and Water Engineering, 5(3), 1-16. http://www.waterjournal.ir/article_73653.html [In Persian] Shen, H., Schneider, V.R., & Karaki, S. (1969) Local Scour around Bridge Piers. Journal of the Hydraulics Division, 95, 1919-1940. https://www.scirp.org/(S(351jmbntvnsjt1aadkozje))/reference/ReferencesPapers.aspx?ReferenceID=2277044 Zahiri, J. (2015). Nonparametric CART and M5’ Methods Application on Bridge Piers Scour Depth Computation. Irrigation and Water Engineering, 5(4), 35-50. http://www.waterjournal.ir/article_73790.html [In Persian] Zare, M., & Honar, T. (2016). The Effect of Groyne on Reduction of the Scour Depth around Bridge Piers in River Bends. JWSS, 19(74),167-192. http://dx.doi.org/10.18869/acadpub.jstnar.19.74.14 [In Persian]
| ||
آمار تعداد مشاهده مقاله: 207 تعداد دریافت فایل اصل مقاله: 236 |