نشریه آبیاری و زهکشی ایران

نشریه آبیاری و زهکشی ایران

پیش‌بینی عمق آبشستگی موضعی اطراف پایه‌های پل استوانه‌ای در بسترهای با خاک چسبنده با استفاده از روش‌های فرامدلی‌

نوع مقاله : مقاله پژوهشی

نویسندگان
مهدی سلطانی ستوبادی 1
توحید امیدپور علویان 2
نازیلا کاردان 3
1 دانشجوی کارشناسی ارشد، مهندسی عمران، مهندسی آب و سازه‌های هیدرولیکی-دانشگاه شهید مدنی آذربایجان
2 دانشجوی دکترای، مهندسی عمران –مهندسی آب و سازه‌های هیدرولیکی-دانشگاه مراغه
3 دانشیار گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه شهید مدنی آذربایجان
چکیده
آبشستگی، پدیده‌ای فرسایشی ناشی از جریان آب در رودخانه‌ها، به‌ویژه اطراف پایه‌های پل است که فرآیندی تابع زمان بوده و در صورت تخمین نادرست عمق آن، طراحی پی‌ها را ناکافی یا غیراقتصادی می‌کند و خطر خرابی سازه‌ای را افزایش می‌دهد. مطالعه و بررسی روش‌های مؤثر برای تخمین میزان آبشستگی به منظور طراحی درست سازه‌ای از اهمیت ویژه‌ای برخوردار است. پژوهش‌های اخیر نشان داده‌اند تکنیک‌های نوین یادگیری ماشین و الگوریتم‌های هوش مصنوعی به‌عنوان ابزارهای پیشرفته برای تحلیل و پیش‌بینی آبشستگی مورد توجه قرار گرفته‌اند. استفاده از این تکنیک‌های پیشرفته می‌تواند به بهینه‌سازی روش‌های حفاظتی و طراحی و در نهایت به ارتقای ایمنی و پایداری سازه‌های پل کمک شایانی نماید. ازاین‌رو در این پژوهش، عملکرد روش‌هایSVM ، QNET و ANN در پیش‌بینی عمق آبشستگی موضعی اطراف پایه‌های پل استوانه‌ای در بسترهای با خاک چسبنده به کمک 122 سری داده آزمایشگاهی مورد ارزیابی قرار گرفت تا اثربخشی این روش‌ها در تخمین این پدیده و بهبود عملکرد سازه‌های پل بررسی شود. پارامترهای هندسی و هیدرولیکی مورد استفاده در این پژوهش شامل عدد فرود پایه، عمق بی-بعد جریان نزدیک شونده، اندازه بی‌بعد ذره رسوب و مقاومت برشی بستر می‌باشد. نتایج نشان داد این روش‌ها در 96 درصد موارد پیش‌بینی‌های دقیقی ارائه می‌دهند. مدل QNET در 92 درصد موارد عملکرد بهتری نسبت به SVM و ANN داشته و دقت پیش‌بینی را تا 98 درصد افزایش داد. در مقایسه، SVM در 80 درصد و ANN در 85 درصد موارد نتایج قابل‌قبولی نشان دادند، اما QNETدر تم تعیین عمق آبشستگی است و تغییرات آن می‌تواند تا 30 درصد عمق فرسایش را تغییر دهد. در نهایت این پژوهش راهکاری دقیق و مؤثر برای پیش‌بینی آبشستگی ارائه می‌دهد که به مهندسان کمک می‌کند پل‌هایی مقاوم‌تر و اقتصادی‌تر طراحی کنند.
کلیدواژه‌ها
آبشستگی
پایه‌های پل
عمق فرسایش
خاک چسبنده
روش‌های فرامدلی

عنوان مقاله English

Forecasting the Local Scour Depth around Cylindrical Bridge Foundations on Cohesive Soil Utilizing Meta Models.

نویسندگان English

mahdi Soltani Sotobad 1
Tohid Omidpour Alavian 2
Nazila kardan 3
1 Master's Student, Civil Engineering Water and Hydraulic Structures, Azarbaijan Shahid Madani University,
2 Ph.D. Student, Civil Engineering - Water and Hydraulic Structures, Maragheh University
3 Associate Professor, Department of Civil Engineering, Azarbaijan Shahid Madani University,
چکیده English

Scour is the result of erosion from river water flow, particularly prevalent around bridge foundations, and is known to be a process that varies with time. If the depth of scour is inaccurately estimated, it can lead to insufficient or cost-ineffective foundation designs, raising the potential for structural failure. Therefore, the investigation and analysis of efficient methods for predicting scour depth tools for analyzing and forecasting scour. Implementing these sophisticated techniques can significantly improve the efficiency of protective strategies and designs, ultimately enhancing the safety and stability of bridge structures. Consequently, this study assessed the performance of SVM, QNET, and ANN methodologies in predicting local scour depth around cylindrical bridge foundations on cohesive soil through the analysis of 122 sets of laboratory data. The objective of this evaluation was to ascertain the effectiveness of these methods in estimating scour depth and augmenting the performance of bridge structures. The geometric and hydraulic parameters utilized in this study encompass the foundation Froude number, dimensionless approaching flow depth, dimensionless sediment particle size, and bed shear strength. The findings revealed that these methodologies yielded precise forecasts in 96% of instances. The QNET model outperformed SVM and ANN in 92% of scenarios, enhancing prediction accuracy to 98%. In contrast, SVM demonstrated satisfactory outcomes in 80% of instances, while ANN achieved this in 85% of cases. However, QNET showcased superiority over the other methodologies across all scenarios. Sensitivity analysis highlighted the foundation Froude number, exerting an 82% influence, as the pivotal factor in scour depth determination, with potential erosion depth alterations of up to 30%. Ultimately, this study offers a precise and efficient scour prediction solution, aiding engineers in crafting more durable and cost-effective bridge designs.

کلیدواژه‌ها English

Scour
Bridge piers
Erosion depth
Cohesive soil
Meta Models
Alavi, N. and Mirdamadi, S. 2021. Application of machine learning techniques for local scour prediction at bridge piers. Journal of Hydraulic engineering. 147(3): 123-135.
Bateni, S.M., Borghei, S.M. and J.D, S. 2007. Neural network and neuro-fuzzy assessments for scour depth around bridge piers. Engineering Applications of Artificial Intelligence. 20(3): 401-414.
Bozkus, Z. and Yildiz, O. 2001. Experimental investigation of scouring around inclined bridge piers. Proceedings of the Wetlands Engineering and River Restoration Conference 2001, CD-ROM, ASCE, Reston, VA.
Breusers, H. N. C., Nicollet, G. and De Vries, M. 1997. “Scour around bridge piers.” Journal of Hydraulic Engineering, 123(9), 759-769.
Breusers, H.N.C. and Raudkivi, A.J. 1991. Scouring. A.A. Balkema, Rotterdam, Brookfield. 45-60.
Briaud, J.L., Chen, H.C., Li, Y. and Nurtjahyo, P. 2004. SRICOS-EFA method for complex piers in fine-grained soils. Journal of Geotechnical and Geoenvironmental Engineering. 130(11): 1180-1191.
Choi, S.U., Choi, B. and Choi, S. 2015. Improving predictions made by ANN model using data quality assessment: An application to local scour around bridge piers. Journal of Hydroinformatics. 17(6): 977-989.
Debnath, K., Chaudhuri, S. 2010 Bridge pier scour in clay-sand mixed sediments at near-threshold velocity for sand. Journal of Hydraulic Engineering. 136(9): 597-609.
Ettema, R., Kirkil, G. and Muste, M. 2006. Similitude of large-scale turbulence in experiments on local scour at cylinders. Journal of Hydraulic Engineering. 132(1): 33-40.
Gudavalli, S.R. 1997. Prediction model for scour rate around bridge piers in cohesive soil based on flume tests. PhD Thesis, Texas Aand M University, College Station, TX, USA.
Hassan, M. A., Hossain, M. S. and Khan, M. S. 2021. “Application of random forest for scour prediction around bridge piers.” Water. 13(5): 681. pp. 1-15.
Haykin, S., Smith, J. and Johnson, A. 1999. Neural Networks: A Comprehensive Foundation. 2nd edition. Prentice Hall. pp. 1-20.
Huang, H., and Chen, Y. 2016. Bridge Engineering: A Global Perspective. CRC Press.
Jang, J. S. R. and Huang, C. 1993. “Neural Networks for Prediction of Scour Depth around Bridge Piers.” Journal of Hydraulic Engineering. 119(8): 1031-1046.
Kambekar, A.R. and Deo, M.C. 2003. Estimation of pile group using neural networks. Applied Ocean Research. 25: 225-234.
Kothyari, U.C., Kumar, A. and Jain, R.K. 2014. Influence of cohesion on riverbed scour in the wake region of piers. Journal of Hydraulic Engineering. 140(1): 1-13.
Kumar, R., and Singh, A. 2023. Hybrid machine learning and hydraulic modeling for local scour prediction. Journal of Civil Engineering. 29(1): 45-58.
Lee, J. and Park, S. 2024. Future directions in machine learning for local scour prediction: Challenges and Opportunities. Journal of Hydraulic Engineering. 150(2): 15-30.
Lee, S.O., and Sturm, T.W. 2009. Effect of sediment size scaling on physical modeling of bridge pier scour. Journal of Hydraulic Engineering. 135(10): 793-802.
Lim, Y. C. and Choi, J. H. 1997. “Scour Depth Estimation for Bridge Foundations.” Journal of Hydraulic Engineering. 123(8): 675-682.
Melville, B. W., and Coleman, S. E. 2000. “Bridge Scour.” Water Resources Publications, 10, 1-100.
Melville, B. W. and Sutherland, A. J. 1988. Design method for local scour at bridge piers. Journal of Hydraulic Engineering. 114(10): 1210-1226.
Pandey, A., Kumar, P., and Bansal, R. 2020. “Prediction of scour depth using hybrid ANN and Genetic Algorithm.” Journal of Water Resources Planning and Management. 146(4): 04020008. pp. 1-12.
Richardson, E.V., Harrison, L.J., Richardson, J.R. and Davis, S.R. 1993. Evaluating scour at bridges (No. HEC 18, 2nd edition).
Russell, S., and Norvig. P. 2010. Artificial intelligence: a modern approach (3rd Ed.). Pearson.
Sheppard, D. E. and Miller, R. 2006. “Empirical relationships for scour at bridge piers.” Transportation Research Record. 1996(1): 1-10. pp. 40-150.
Sreedhara, K., Kumar, S. and Reddy, P. 2021. “Scour prediction in clear water conditions using gradient boosting.” Water Resources Management. 35(3):1091-1105. pp. 1-15.
UK Choi, S. and Choib, S. 2022. Prediction of local scour around bridge piers in the cohesive bed using support vector machines. KSCE Journal of Civil Engineering. 26(5): 2174-2182.
Vapnik, V.N. 1995. The nature of statistical learning theory. Springer, New York.
Vlizadeh, S., Majedi ASL, M., Daneshfaraz, R., and Chabokpour, G. 2018. Prediction of scour depth around vertical base group in the presence of oscillating waves using backing machines (SVM). Proceedings of the Seventh National Hydraulic Conference of Iran, University of Shahrkord.
Zhang, Y. 2022. Deep learning approaches for predicting local scour at bridge piers using big data. Water.Resources Research. 58(2): 101-115.
Zounemat-Kermani, M., Baheshti, A.A., Ataie-Ashtiani, B. and Sabbagh-Yazdi, S.R. 2009. Estimation of current-induced scour depth around pile groups using neural networks and adaptive neuro-fuzzy inference systems. Applied Soft Computing. 9(2): 746–775.
نشریه آبیاری و زهکشی ایران
دوره 19، شماره 2 - شماره پیاپی 111
خرداد و تیر 1404
صفحه 275-290