مهدی ماجدی اصل - استادیار، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه مراغه
سعیده ولی زاده - دانشجوی کارشناسی ارشد- گروه مهندسی عمران
فروغ اشکان - مربی، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه مراغه
الناز حسن پور - مدیر پروژه مهندسین کارلو، ارگن، آمریکا

با توجه به اهمیت پدیده آبشستگی در طراحی پل­ها، امروزه برای بالا بردن دقت تخمین عمق آبشستگی از  شبکه های عصبی مصنوعی بهره گرفته می­شود. در این تحقیق برای پیش بینی عمق آبشستگی اطراف گروه پایه پل مایل از روشی نوین به نام ماشین بردار پشتیبان استفاده شده است که در این روش از پارامترهای آماری ، ، RMSE، برای ارزیابی کارایی مدل ها استفاده شده است. نتایج نشان داد،  ترکیباتی که دارای هر دو نوع پارامترهای رسوبی و هیدرولیکی در مدل داده کاوی ماشین بردار پشتیبان می باشد، نتیجه بهتری در پیش­بینی عمق آبشستگی ارائه می دهند. به طور نمونه، در حالت سه پایه، معیارهای ارزیابی مربوط به سناریو یک (پارامترهای هیدرولیکی)، ۹۹۱۴/۰R۲=، ۹۷۵۸/۰DC= ، ۰۵۷۶/۰ RMSE  و برای سناریو دو (پارامترهای هیدرولیکی و رسوبی )، برابر۹۹۲۴/۰R۲=، ۹۸۰۳/۰DC=، ۰۵۲۹/۰RMSE=  بدست آمده است که نشان می­دهد ماشین بردار پشتیبان برای سناریو دوم عملکرد بهتری از خود نشان داده است. در ادامه برای محاسبه عمق آبشستگی اطراف گروه پایه مایل، برای حالت های تک پایه، سه پایه و چهارپایه روابط غیر خطی ارائه شده است.

پارامترهای هیدرولیکی, شبکه عصبی مصنوعی, عمق آبشستگی, گروه پایه پل, ماشین بردار پشتیبان