ارزيابي روش‌هاي مختلف وزن‌دهي براي پيش‌بيني عمق آبشستگي پايين‌دست سازه‌هاي تثبيت بستر

Evaluation of different weighting methods to predict scour depth on grade control structures

تخمين عمق آبشستگي سازه از اهميت زيادي برخوردار است. محققين بر مبناي كارهاي آزمايشگاهي و صحرايي روابط تجربي متعددي ارائه داده‌اند ولي تاكنون رابطه‌اي كه در شرايط مختلف نتايج قابل قبولي داشته باشد شناخته نشده است. در اين پژوهش دقت روابط مختلف تجربي (منفرد) در دو مرحله‌ي قبل و بعد از اصلاح اريبي مورد ارزيابي قرار گرفتند. نتايج نشان مي‌دهد قبل و بعد از اصلاح اريبي به‌ترتيب روابط منفرد مؤسسه‌ي ملي و ماسون با ميانگين مربعات خطاي 0/87 و 0/23 متر بيشترين دقت را دارند. تركيب روابط منفرد با مدل‌هاي تركيبي نشان مي‌دهد از بين روش‌هاي مستقيم در مرحله‌ي قبل و بعد از اصلاح اريبي به‌ترتيب روش GRA و EWA با ميانگين مربعات خطاي 0/25 و 0/23 متر بيشترين دقت را داشته است. خطاي روش‌هاي تركيبي غير مستقيم AICA و BICA در مرحله‌ي قبل و بعد از اصلاح اريبي مشابه بهترين رابطه‌ي منفرد است و نتوانسته‌اند نتايج روابط منفرد را بهبود بخشند. نتايج روش موضعي (KNN) و روش هوش مصنوعي (LS-SVM) قبل و بعد از اصلاح اريبي برابر بوده و عمق آبشستگي را با دقت بيشتري نسبت به روابط منفرد برآورد كرده‌اند. مقايسه‌ي روش‌هاي مختلف تركيبي در مرحله‌ي قبل و بعد از اصلاح اريبي نشان داد كه كم‌ترين خطا با ميانگين مربعات خطاي 0/18 و 0/19 متر به‌ترتيب مربوط به LS-SVM و KNN مي‌باشد. در اين پژوهش مشخص شد كه تركيب روابط منفرد حداكثر عمق آبشستگي با استفاده از روش‌هاي مختلف تركيبي مي‌تواند دقت پيش‌بيني را بهبود بخشد.

The scour depth estimation is of great importance. Researchers have provided many empirical relationships based on laboratory and field work, but so far no relationship has been found to be satisfactory in different situations. In this study, the accuracy of different experimental (individual) relationships was evaluated in two stages before and after the correctional correction. The results show that before and after the bias correction, the individual relations of the National Institute and Mason with the mean square error of 0.87 and 0.23 meters are the most accurate. The combination of individual relationships with combined methods models shows that the GRA and EWA methods with a mean square error of 0.25 and 0.23 meters were the most accurate among the direct methods in before and after bias correction stage. The error of the AICA and BICA indirect methods in before and after bias correction is similar to the best single relation and could not improve the results of the individual relationships. The results of local method (KNN) and artificial intelligence (LS-SVM) method before and after bias correction are equal and estimate scour depth more accurately than individual relations. Comparison of different combinational methods in before and after bias correction shows that individual relationships with maximum scour depth using different combinational methods can improve predictive accuracy.