تخمین میزان عمق آبشستگی پایه پل با استفاده از سیستم استنتاجی عصبی-فازی تطبیقی بهینه-سازی شده با الگوریتم‌ رقابت استعماری

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران

2 گروه عمران آب، دانشکده عمران دانشگاه تبریز، تبریز، ایران

3 گروه عمران آب دانشکده مهندسی عمران دانشگاه تبریز، تبریز، ایران

4 گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه شهید مدنی آذربایجان، تبریز، ایران

چکیده

تعیین عمق آبشستگی پایه پل در هنگام وقوع سیلاب یکی از پارامترهای اصلی در طراحی شالوده پایه پل‌ها می‌باشد که از دیرباز مورد توجه پژوهشگران مختلف جهت ارایه روش‌های دقیق برای محاسبه آن بوده است. با این وجود، روابط تجربی مورد استفاده به علت پیچیدگی زیاد و پارامترهای متعدد دخیل در این پدیده از دقت و کارایی کافی برخوردار نبوده و امکان طراحی اقتصادی و فنی بر اساس نتایج آن‌ها مقدور نیست. بدین منظور در این پژوهش با استفاده از سیستم استنتاجی عصبی- فازی تطبیقی و بهینه‌سازی آن با استفاده از الگوریتم‌ رقابت استعماری یک مدل جهت تخمین عمق آبشستگی پایه پل ارایه شده است. مقایسه نتایج مدل‌ پیشنهادی حاضر با نتایج مدل مبنا بر اساس ضریب تعیین بدست آمده نشان داد که دقت و کارایی مدل مبنا با بهینه سازی‌های صورت گرفته به مقدار 51 درصد افزایش یافته است. همچنین مقایسه نتایج مدل‌ پیشنهادی با نتایج روابط تجربی با استفاده از خطای جذر میانگین مربعات نشان داد مدل‌ یشنهادی نسبت به روابط مذکور نتایج بهتری را کسب کرده است. به عنوان مثال میزان خطای جذر میانگین مربعات در مقایسه بارابطه فروهلیچ که بهترین عملکرد را در بین روابط تجربی دارد، 17درصد کمتر شده است.

کلیدواژه‌ها


عنوان مقاله [English]

Estimation of Bridge Pier Scour using Adaptive Neuro-Fuzzy Inference System Optimized with Imperialist competitive algorithm

نویسندگان [English]

  • Amin Jafari Bavil Olyaei 1
  • yousef hassanzadeh 2
  • MohammadTagi Alami 3
  • nazila kardan 4
1 Faculty of Civil Engineering, University of Tabriz, Tabriz, Iran
2 Faculty of Civil Engineering, Tabriz university, Tabriz, Iran
3 Faculty of Civil Engineering, University of Tabriz, Tabriz,Iran
4 Department of Civil Engineering, Azarbaijan Shahid Madani University, Tabriz, Iran
چکیده [English]

Determining the scouring depth around bridge piers during flood has been considered as one of the main and important parameters in designing the foundations of bridge piers. Thus, it has been the subject of numerous studies to provide precise methods to calculate these elements. Due to the high complexity of this phenomenon and various involved parameters, the utilized empirical relations have not sufficient accuracy and efficiency; accordingly, economic and technical design based on their results is not feasible. In this regard, a new model is provided to estimate the scouring depth around bridge piers using Neuro-Fuzzy Comparative Inference System that optimized by Imperialist Competitive Algorithm. Comparing the results of proposed model with the results of base models showed that the accuracy and efficiency of the base models increased significantly with these optimizations. In addition, comparing the results of proposed models with the results of empirical relations from Mississippi, HEC-18, Laursen & Toch, and Froehlich showed that proposed model has significantly better accuracy in comparison with mentioned experimental relations.

کلیدواژه‌ها [English]

  • Adaptive Neuro Fuzzy Inference System
  • bridge pier
  • Empirical equations
  • Imperialist Competitive Algorithm
سیدیان،س و فتح­آبادی،ا. 1395. تخمین عمق آبشستگی پایه‌های پل با استفاده از روش‌های آماری و الگوریتم‌های هوشمند. نشریه مهندسی عمران و محیط زیست دانشگاه تبریز. 46. 83:  1-13.

روشنگر،ک و روح­پرور,ب. 1391. عملکرد سیستم‌های فرا مدل در تخمین عمق آبشستگی پایه‌های پل در خاک‌های غیرچسبنده. نشریه مهندسی عمران و محیط زیست دانشگاه تبریز. 42. 68:  13-26

Abraham,A. 2005. Adaptation of fuzzy inference system using neural learning. Fuzzy systems engineering.181: 914-914.

Akib,S., Mohamad hassani, M  and  Jahangirzadeh, A. 2014. Application of ANFIS and LR in prediction of scour depth in bridges. Computers and Fluids. 91: 77-86.

Atashpaz-Gargari,E and Lucas,C. 2007. Imperialist competitive algorithm: an algorithm for optimization inspired by imperialistic competition.  Evolutionary computatio. 4661-4667.

Bateni,S.M.,Boreghi,S and Jeng,D.S. 2007. Neural network and neuro-fuzzy assessments for scour depth around bridge piers. Engineering Applications of Artificial Intelligence. 20. 3: 401-414.

Biabangard-oskouyi,A., Atashpaz-gargari,E., Soltani,N and Lucas,C. 2009. Application of imperialist competitive algorithm for materials property characterization from sharp indentation test. International Journal of Engineering Simulation. 10.1: 11-12.

Cheng,M.Y., Cao,M.T and Wu,Y.W. 2014. Predicting equilibrium scour depth at bridge piers using Evolutionary Radial Basis Function Neural Network. Journal of Computing in Civil Engineering. 29.5: 0401-4070.

Chiew,Y.M. 1992. Scour protection at bridge piers. journal of hydraulic engineering. 118.9: 1260-1269.

Chou,J.S. and Pham,A.D. 2017. Nature-inspired metaheuristic optimization in least squares support vector regression for obtaining bridge scour information. Information Sciences. 399: 64-80.

Clopper,P., Lagasse,P and Zevenbergen,L. Bridge pier scour countermeasures.  World Environmental and Water Resources Congress 2007: Restoring Our Natural Habitat. 1-13.

Firat,M and Gungor, M. 2009. Generalized regression neural networks and feed forward neural networks for prediction of scour depth around bridge piers. Advances in Engineering Software. 40.8: 731-737.

Froehlich,D.C. Analysis of onsite measurements of scour at piers.  Hydraulic Engineering: Proceedings of the 1988 National Conference on Hydraulic Engineering. 534-539.

Kasabov, N. K. 1996. Foundations of neural networks, fuzzy systems, and knowledge engineering, Marcel Alencar.

Kaveh, A. and Talatahari,S. 2010. Optimum design of skeletal structures using imperialist competitive algorithm. Computers and Structures. 88.21:1220-1229.

Laursen,E.M and Toch,A. 1956. Scour around bridge piers and abutments, Iowa Highway Research Board Ames, IA.

Lu,J.Y., Hong,J.H., Su,C.C., Wang,C.Y and Lai,J.S. 2008. Field measurements and simulation of bridge scour depth variations during floods. Journal of Hydraulic Engineering.13.6: 810-821.

Mueller,D.S and Wagner,C.R. 2005. Field observations and evaluations of streambed scour at bridges (No. FHWA-RD-03-052).

Najafzadeh,M., Barani,G.A and Azamathulla,H.M. 2013. GMDH to predict scour depth around a pier in cohesive soils. Applied ocean research. 40: 35-41.

Pal,M., Singh,N and Tiwari,N. 2011. Support vector regression based modeling of pier scour using field data. Engineering Applications of Artificial Intelligence. 24.5: 911-916.

Qi,M., Li,J and Chen,Q. 2016. Comparison of existing equationsfor local scour at bridge piers: parameter influence and validation. Natural Hazards. 82.3:2089-2105.

Richardson,E and Davis,S. 1995. Evaluating scour at bridges: Federal Highway Administration Hydraulic Engineering Circular No. 18. Publication FHWA-IP-90-017.

Sheppard,D., Melville,B and Demir,H. 2013. Evaluation of existing equations for local scour at bridge piers. Journal of Hydraulic Engineering. 140.1: 14-23.

Talatahari,S., Azar,B.F., Sheikholeslami,R and Gandomi,A. 2012. Imperialist competitive algorithm combined with chaos for global optimization. Communications in Nonlinear Science and Numerical Simulation. 17.3: 1312-1319.

Wilson Jr,K.V. 1995. Scour at selected bridge sites in Mississippi (No. 94-4241). US Geological Survey; Earth Science Information Center, Open-File Reports Section [distributor],

Zounemat-kermani,M., Beheshti,A.A., Ataie-ashtiani,B. and Sabbagh-yazdi, S.-R. 2009. Estimation of current-induced scour depth around pile groups using neural network and adaptive neuro-fuzzy inference system. Applied Soft Computing. 9.2: 746-755.