مشخصات پژوهش

صفحه نخست /مقایسه و پ ی شبینی آبشستگی ...
عنوان مقایسه و پ ی شبینی آبشستگی موضع ی اطراف پا ی هی پل با استفاده از روش QNET
نوع پژوهش مقاله ارائه شده
کلیدواژه‌ها پایه پل، عمق فرسایش، فرسایش موضعی، نرمافزار QNET
چکیده آبشستگی اطراف پای ههای پل یکی از پدید ههای طبیعی و مهمترین عوامل تهدید کننده پایداری سازههای هیدرولیکی است. که عمدتاً ناشی از فرآیندهای فرسایشی ناشی از میدان جریان در آبراه ههای آبرفتی م یباشد. این پدیده پیچیده هیدرولیکی با عواملی همچون سرعت جریان، عمق آب، مشخصات هندسی پایه پل و نوع خاک بستر ارتباط مستقیم دارد. در صورت عدم کنترل مناسب، میتواند به طور جدی پایداری سازههای پل را تهدید کند. در طول زمان، آبشستگی موجب تخریب و تضعیف پای ههای پل م یشود و در نتیجه احتمال بروز خراب یهای ساختاری و حتی فروپاشی سازه را افزایش میدهد. آبشستگی موضعی اطراف پایههای پل فرآیندی وابسته به زمان است. تخمین کمتر عمق آبشستگی منجر به طراحی کم عم ق پیها شده و تخمین بیشتر عم ق آبشستگی منجر به غیراقتصادی شدن طرح خواهد شد. تاکنون پژوهشگران بسیاری آبشستگی موضعی اطراف پای ههای پل را بررسی کردند و رو شهای مناسبی را برای کنترل و کاهش آبشستگی ارائه دادهاند که شامل روشهای ا صلح الگوی جریان در این نواحی و همچنین روشهای مقاوم سازی بستر است. بنابراین، مطالعه و بررسی روشهای مؤثر برای کاهش میزان آبشستگی از اهمیت ویژهای برخوردار است. پژوهشهای اخیر نشان دادهاند که تکنیکهای نوین و الگوریتمهای هوش مصنوعی به عنوان ابزارهای پیشرفته برای تحلیل و پیشبینی آبشستگی مورد توجه قرار گرفتهاند. این الگوریتمها با تحلیل دادههای پیچیده و شبیهسازیهای دقیق، قادر به پیشبینی مؤثر میزان و الگوهای آبشستگی م یباشد و به مهندسان و طراحان کمک م یکند تا اقدامات لازم را برای بهبود طراحی و افزایش ایمنی ساز ههای پل اتخاذ کنند . در این پژوهش، عملکرد الگوریتم QNET در پی شبینی آبشستگی مورد ارزیابی قرار گرفته است تا اثربخشی آن در کاهش این پدیده و بهبود عملکرد سازههای پل بررسی شود. استفاده از این تکنیکهای پیشرفته میتواند به بهینهسازی روشهای حفاظتی و طراحی و در نهایت به ارتقای ایمنی و پایداری سازههای پل کمک شایانی نماید . نتایج حاصل از الگوریتم هوش مصنوعی نشان میدهد که ترکیب پارامترهای ) ((𝑑𝑚𝑎𝑥𝐷), 𝑊𝑐, 𝐶𝑃, (𝐕(𝐠𝐃)𝟎.𝟓), (τs(ρV2)) در الگوریتم QNET در مرحله آموزش و آزمون بهترتیب برابر )50.997 = 2(R ، ( 0.0073 = (RMSE و ) 0.9958 = 2(R ( ، 0.0111 = (RMSE م یباشد. این نتایج، بهینهترین خروجی را در مقایسه ب ا ترکیبهای دیگر ارائه م یدهد و نشاندهنده دقت بسیار مطلوب الگوریتم QNET در پیشبینی آبشستگی است. همچنین، آنالیز حساسیت نشان میدهد که عدد فرود (𝑽(𝒈𝑫𝟎.𝟓)) بیشترین تاثیر را بر میزان آبشستگی دارد.
پژوهشگران علیرضا بابائیان امینی (نفر پنجم)، مهدی سلطانی ستوبادی (نفر دوم)، توحید امیدپور علویان (نفر اول)، نازیلا کاردان (نفر سوم)، مهدی ماجدی اصل (نفر چهارم)