نشریه آبیاری و زهکشی ایران

نشریه آبیاری و زهکشی ایران

تحلیل مقایسه‌ای آبشستگی پایین‌دست سرریز مرکب مثلثی–مثلثی با استفاده از روش کلاسیک و مدل هوش مصنوعی ماشین بردار پشتیبان

نوع مقاله : مقاله پژوهشی

نویسندگان
ساسان نجاتی 1
مهدی مفتاح هلقی 2
عبدالرضا ظهیری 3
یونس امین پور 4
1 دانشجوی دکترای سازه‌های آبی، گروه مهندسی آب، دانشگاه علوم کشاورزی و متابع طبیعی گرگان، گرگان، ایران.
2 استاد گروه مهندسی آب، دانشکده آب و خاک دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران
3 دانشیارگروه مهندسی آب، دانشکده مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران
4 استادیار پژوهشکده مهندسی هیدرولیک و محیط های‌آبی، موسسه تحقیقات آب وزارت نیرو، تهران، ایران.
چکیده
پدیده آب‌شستگی در پایین‌دست سرریزهای مرکب یکی از مسائل مهم در طراحی و ارزیابی ایمنی سازه‌های هیدرولیکی محسوب می‌شود. در این پژوهش، عملکرد یک مدل کلاسیک تجربی و یک مدل مبتنی بر هوش مصنوعی از نوع ماشین بردار پشتیبان (SVM) در پیش‌بینی سه پارامتر کلیدی آب‌شستگی شامل بیشینه عمق، محل وقوع بیشینه و طول کلی حفره مورد بررسی قرار گرفته است. آزمایش‌های فیزیکی روی یک مدل سرریز مرکب مثلثی–مثلثی در شرایط مختلف هیدرولیکی انجام شد و داده‌های حاصل به‌عنوان مبنای ارزیابی مدل‌ها استفاده گردید. نتایج نشان داد که اگرچه مدل کلاسیک توانسته است روند کلی تغییرات آب‌شستگی را بازتاب دهد، اما میزان خطاهای آماری آن در بازه‌های نسبتاً بالایی قرار داشته است (MARE بین 13 تا 20 درصد). در مقابل، مدل SVM با دقت بسیار بالاتری عمل کرده و توانست خطای نسبی را به کمتر از 2 درصد کاهش دهد. تحلیل مقایسه‌ای نشان می‌دهد که مدل هوش مصنوعی با قدرت تعمیم‌پذیری بالا، گزینه‌ای مطمئن برای پیش‌بینی دقیق‌تر رفتار آب‌شستگی در شرایط آزمایشگاهی است. با این حال، استفاده ترکیبی از دو رویکرد، به‌ویژه در پروژه‌های بزرگ و حساس، می‌تواند هم دقت پیش‌بینی و هم کارایی محاسباتی را بهبود بخشد.
کلیدواژه‌ها
حفره آبشستگی
سرریز مرکب مثلثی-مثلثی
مدل ماشین بردار پشتیبان
مدل کلاسیک تجربی

عنوان مقاله English

Scour Prediction Downstream of Triangular-Triangular Compound Weirs: Classical Equation vs. SVM Model

نویسندگان English

Sasan Nejati 1
Mehdi Meftah Halaghi 2
Abdolreza Zahiri 3
Younes Aminpour 4
1 Ph.D Student of Water Structures, Dept. of Water Engineering, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran.
2 Professor., Department of Water Engineering, Faculty Of Water and Soil Engineering, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran.
3 Associated Professor., Department of Water Engineering, Faculty Of Water and Soil Engineering, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran.
4 Assistant Prof., Department of Hydraulic Structures, Water Research Institute, Ministry of Energy, Tehran, Iran.
چکیده English

This study evaluates the performance of a classical empirical model and an artificial intelligence-based model—specifically the Support Vector Machine (SVM) in predicting three key scour parameters: maximum depth, location of maximum depth, and total length of the scour hole. Physical experiments were conducted on a compound triangular-triangular weir model under various hydraulic conditions, and the resulting data were used as the basis for model evaluation. The results showed that although the classical model was able to capture the general trend of scour development, its statistical error rates were relatively high (with MARE ranging from 13% to 20%). In contrast, the SVM model demonstrated significantly higher accuracy, reducing relative error to below 2%. A comparative analysis revealed that the AI-based model, due to its strong generalization capabilities, offers a reliable tool for more precise scour prediction in laboratory settings. However, combining both approaches—especially in large-scale or high-stakes projects can enhance both predictive accuracy and computational efficiency.

کلیدواژه‌ها English

Scour hole
Triangular-triangular compound weir
Support Vector Machine (SVM) model
Empirical classical model
امین‌پور, ی.، فرهودی، ج، و روشن، ر.1393. بررسی پدیده آبشستگی موضعی در پایین‌دست حوضچه‌های آرامش در حضور سرریز پلکانی. نشریه هیدرولیک. 9(4): 38-25.
خرمی، ا.، حیدری، م. و قبادیان، ر.1401. برآورد میزان آبشستگی مصالح غیرچسبنده و حساسیت سنجی عوامل موثر بر آن در پایاب جام پرتابه ای با استفاده از شبکه عصبی و مدل آزمایشگاهی. تحقیقات مهندسی سازه های آبیاری و زهکشی. 23(86): 111-132.
موسوی، ش. 1401. تخمین عمق آبشستگی سازه‌های کنترل شیب با سرریز لبه تیز با استفاده از مدل‌های هوش مصنوعی', فصلنامه علمی مهندسی منابع آب. 15(55): 118-105.         
روشنگر، ک. و بهزاد روح پرور. 1392. ارزیابی عملکرد سیستم‌های هوش مصنوعی برای شبیه‌سازی آبشستگی پایه‌های پل در خاک‌های چسبنده. دانش آب و خاک. 23(3): 169-182.
رضازاده، ر.، بارانی، غ، و ناصری, ا. 1398. کاربرد شبکه عصبی مصنوعی در تخمین عمق آبشستگی اطراف پایه پل در بستر با رسوبات چسبنده. نشریه هیدرولیک, 14(1).
محمدنژاد، ح.، محمدی، م. و باقر زاده، م. 1402. تخمین عمق آبشستگی پایین‌دست شیب‌شکن قائم با استفاده از الگوریتم ماشین بردار پشتیبان. پژوهش های زیرساخت های عمرانی. 9 (1): 1-11.
Martínez, J., Reca, J., Morillas, M. T. and López, J. G. 2005. Design and calibration of a compound sharp-crested weir. Journal of Hydraulic Engineering. (131)2: 112–116.​
Jan, C. D., Chang, C. J. and Lee, M. H. 2006. Discussion of Design and calibration of a compound sharp-crested weir by J. Martinez, J. Reca, MT Morillas, and JG Lopez. Journal of Hydraulic Engineering. 132(8): 868-871.
Ali, A. A. M., Ibrahim, M. and Diwedar, A. I. 2015. The discharge coefficient for a compound sharp crested V-notch weir. Asian Journal of Engineering and Technology. (3)5:494-501.
Göğüş, M., Defne, Z. and Özkandemir, V. 2006. Broad-crested weirs with rectangular compound cross sections. Journal of Irrigation and Drainage Engineering, Vol. 132, No. 3, American Society of Civil Engineers (ASCE), Reston, VA, USA, 272–280.
Obaida A., Khattab N. and Mohammed A .2023. Scour depth downstream sharp-crested weir. Journal of Engineering and Applied Science. 70(1): 1-11.
Nourani, V., Mousavi, S., Sadikoglu, F., & Singh, V. P. 2017. Experimental and AI-based numerical modeling of contaminant transport in porous media. Journal of contaminant hydrology. 205: 78-95.
Li, X. and Tsai, F. T.-C. 2009. Bayesian Model Averaging for Groundwater Head Prediction and Uncertainty Analysis Using Multimodel and Multimethod, Water resources research. 45(9). 1-14.
Rehbock, T. 1929. Discussion of Precise Measurements, Trans of ASCE. 93: 1143- 1162.
Cortes, C. and Vapnik, V. 1995. Support-vector networks. Machine learning. 20(3): 273-297.
Majedi-Asl, M., Omidpour Alavian, T., Seyfari, Y. and Kouhdaragh, M. 2024. Modeling of discharge Coefficient of nonlinear weirs with QNET and SVM methods, Journal of Hydraulic Structures. 10(2): 30-45.
Choi, S. U., & Choi, 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.
نشریه آبیاری و زهکشی ایران
دوره 19، شماره 3 - شماره پیاپی 112
مرداد و شهریور 1404
صفحه 439-452