ارزیابی عملکرد مدل LS-SVR در تخمین عمق آبشستگی در گروه پایه پل ها
سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 56
فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JEWE-10-1_007
تاریخ نمایه سازی: 30 دی 1402
چکیده مقاله:
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 ۲۴۰ 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 مدل ها 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 به دقت بالای پیشبینی می شود. مقایسه بین مدل ها نیز نشان داد که الگوریتم LS-SVR با معیارهایRMSE=۴۶.۸۴, MAPE=۳۸.۰۳ , NSE=۰.۶۲ برای دادههای آزمون الگوی اول و RMSE=۲۸.۶۲ , MAPE=۳۸.۹۷ , NSE=۰.۶۷ 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.
کلیدواژه ها:
نویسندگان
بیژن صناعتی
استادیار، گروه عمران، دانشکده مهندسی، دانشگاه آزاد اسلامی، واحد بوکان، بوکان، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :