مهدی فولادی پناه - ۱. Department on Civil Engineering, Ramhormoz Branch, Islamic Azad University, Ramhormoz, Iran.
مهدی ماجدی اصل - ۲. Department of Civil Engineering, Maragheh University, Maragheh, Iran.

پیشبینی عمق آبشستگی موضعی بهعنوان پدیدهای پویا و غیرخطی با استفاده از روشهایی با توانایی پیشبینی مناسب همواره مورد توجه پژوهشگران بودهاند. از عوامل موثر در اندازه حفره آبشستگی، شکل هندسی پایههای پل است. در این پژوهش با استفاده از الگوریتم پشتیبان بردار ماشین و بر مبنای ۳۹۵ داده صحرایی سازمان زمینشناسی آمریکا و فروهلیچ (۱۹۸۸) در قالب دو سناریو، مقدار عمق آبشستگی سه پایه پل استوانهای، نوک تیز و مستطیلی بر اساس ترکیبهای مختلف پارامترهای بیبعد: زاویه حمله آب (α)، عدد فرود (Fr)، نسبت طول به عرض پایه (b / L) ( و نسبت قطر متوسط ذرات رسوبی به عرض پایه (b / ۵۰ D) پیشبینی شدند. نتایج پژوهش ضمن تایید عملکرد قابل قبول الگوریتم SVM برای همه پایه­ ها در هر دو سناریو نشان داد در سناریوی اول و دوم بهینهترین عملکرد مربوط به پایه مستطیلی بهترتیب با ضریب همبستگی ۰/۸۷۰۲ و ۰/۸۸۳۸ و مقدار بیشینه Ds(DDR) با مقادیر ۰/۸۵۴ و ۱/۲۲۹ در فرایند تست الگوریتم بودند. همچنین تاثیر مثبت افزایش تعداد دادهها روی عملکرد الگوریتم SVM با افزایش شاخصهای ارزیابی تایید شد. مقایسه نتایج نشان داد الگوریتم SVM مقادیر آبشستگی را بیشتر از مقدار مشاهداتی با خطای مطلق بین ۱۱ تا ۳۵ درصد برآورد کرده است. 

Performance assessment, Scouring, Optimization, Scouring, Data-based method, Artificial intelligence., ارزیابی عملکرد, آبشستگی, بهینهسازی, روش داده- مبنا, هوش مصنوعی