ارزيابي عملكرد مدل LS-SVR در تخمين عمق آبشستگي در پايه پل ‌ها

در اين پژوهش از دو مدل يادگيري ماشين شامل LS-SVR و ANFIS براي پيش بيني عمق آب شستگي اطراف پايه هاي پل استفاده شد. براي اين منظور از 240 سري داده شامل پارامترهاي مرتبط با هندسه پايه ها، شرايط جريان و خصوصيات جريان و نيز پارامترهاي بدون بعد استفاده شد. براي پيش بيني از دو الگوي ورودي استفاده شد. در الگوي اول، پارامترهاي بدون بعد و در الگوي دوم پارامترهاي با بعد در نظر گرفته شدند. عملكرد مدل‌ها با استفاده از معيارهاي ريشه ميانگين مربعات خطا (RMSE)، ميانگين درصد مطلق خطا (MAPE) و ضريب نش-ساتكليف (NSE) ارزيابي شدند. نتايج نشان داد كه در هر دو مدل، استفاده از پارامترهاي با بعد براي پيش بيني منجر به‌دقت بالاي پيش بيني مي‌شود. مقايسه بين مدل‌ها نيز نشان داد كه الگوريتم LS-SVR  با معيارهايRMSE=46.84, MAPE=38.03 , NSE=0.62 براي داده هاي آزمون الگوي اول و RMSE=28.62 , MAPE=38.97 , NSE=0.67 براي داده هاي آزمون الگوي دوم دقت بالاتري نسبت به الگوريتم ANFIS دارد. نتايج اين تحقيق حاكي از اين است كه مدل هاي يادگيري ماشين جايگزين مناسبي براي مدل هاي تجربي در پيش بيني عمق آبشستگي پايه هاي پل هستند.