شهرام موسوی - Assistant Professor, Department of Civil Engineering, Miyaneh Branch, Islamic Azad University, Miyaneh, Iran.

چکیده مقدمه: عدم قطعیت پارامترهای فیزیکی فرایند عمق آبشستگی پایین دست سازه­های کنترل شیب با سرریز لبه تیز، نتایج مدل سازی را تحت تاثیر قرار می­دهند. روش­: در این تحقیق، از روش های هوش مصنوعی برای تخمین مقدار عمق آبشستگی سازه­ های کنترل شیب با سرریز لبه تیز به دلیل پیچیدگی پدیده استفاده شد. از سه مدل شبکه عصبی، سیستم عصبی فازی تطبیقی و ماشین بردار پشتیبان به عنوان روش­های هوش مصنوعی یا جعبه سیاه برای حل مسئله استفاده گردید. به منظور شبیه­ سازی عمق آبشستگی در سازه های کنترل شیب با سرریز لبه تیز از ۲۲۵ داده استفاده شد. در تمامی مدل­ها، از ۷۰ درصد داده­ها برای واسنجی و از ۳۰ درصد داده­ها برای صحت سنجی در روش­های هوش مصنوعی استفاده به عمل آمد. یافته ­ها: آنالیز حساسیت نسبت به پارامترهای ورودی در هر سه مدل پیشنهادی نشان داد که اعمال پارامترهای عرض سرریز، ارتفاع ریزش آب، ارتفاع آب روی تاج، اختلاف ارتفاع آب در بالادست و پایین دست، قطر متوسط ذرات و عمق آب در پایین دست، کارایی مدل­ها را بهبود می­دهد. در تخمین میزان عمق آبشستگی پایین دست سازه های کنترل شیب با سرریز لبه تیز در هر دو مرحله واسنجی و صحت سنجی، مدل سیستم عصبی فازی تطبیقی نسبت به مدل شبکه عصبی تا ۲۰ درصد و نسبت به مدل ماشین بردار پشتیبان تا ۵/۸ درصد بر اساس معیارهای رایج در ارزیابی مدل­ها، قابلیت اطمینان بیشتری دارد که این امر می­تواند به دلیل توانایی تئوری فازی در غلبه بر عدم قطعیت پارمترهای موثر در تخمین میزان عمق آبشستگی باشد.  نتیجه­ گیری: نتایج مدل­سازی میزان عمق آبشستگی پایین دست سازه های کنترل شیب با سرریز لبه تیز با استفاده از مدل­های هوش مصنوعی نشان می­دهد که کارایی این مدل­ها در پیش بینی مقادیر آبشستگی مناسب هستند و نسبت به روش­های تجربی رایج در زمینه دقیق­تر می­باشند که این امر می­تواند به علت غیرخطی و پیچیده بودن طبیعت مسئله باشد.

Scour, Sharp-crested weir, ANN, ANFIS, SVM