پيش‌بيني حداكثر عمق آبشستگي اطراف گروه پايه كج با استفاده از سيستم استنتاج فازي- عصبي تطبيقي بهينه‌شده با الگوريتم ژنتيك

Prediction of scour depth around inclined bridge Piers group using optimized ANFIS system parameters with GA

سابقه و هدف: يكي از دلايل اصلي تخريب پل‌ها، آبشستگي پيرامون آن‌ها مي‌باشد. از اين رو شناخت عوامل تاثيرگذار و تخمين حداكثر عمق آبشستگي نقش مهمي در طراحي ايمن اين نوع از سازه‌ها در رودخانه‌ها خواهد داشت. هدف از پژوهش حاضر بررسي تاثير بهينه‌سازي پارامترهاي سيستم استنتاج فازي- عصبي تطبيقي (ANFIS) با الگوريتم ژنتيك در پيش‌بيني حداكثر عمق آبشستگي اطراف گروه پايه كج و مقايسه آن با ANFIS جعبه‌ابزار نرم‌افزار Matlab و انواع مولد‌هاي سيستم استنتاج فازي (FIS) در آن مي‌باشد. مواد و روش‌ها: به‌منظور بررسي تاثير بهينه‌سازي پارامترهاي ANFIS با الگوريتم ژنتيك در پيش‌بيني حداكثر عمق آبشستگي اطراف گروه پايه كج، داده‌هاي 48 سري آزمايش مربوط به گروه پايه كج مستقر بر روي فونداسيون براي شرايط هيدروليكي و رقوم كارگذاري فونداسيون مختلف مورد استفاده قرار گرفت. به‌منظور مقايسه نتايج از آماره‌هاي ضريب تبيين (R2) و ميانگين مجذور مربعات خطا (RMSE)، استفاده شد. يافته‌ها: نتايج نشان داد كه مدل ANFIS با سيستم استنتاج فازي (FIS) از نوع GENFIS1 بهترين عملكرد را در ميان انواع مولدهاي مورد بررسي داشته و قادر است حداكثر عمق نسبي آبشستگي را با (R2) و (RMSE) به‌ترتيب برابر 0.976 و 0.053 پيش‌بيني نمايد. ارزيابي نتايج بيانگر آن است كه بهينه‌سازي پارامترهاي ANFIS منجر به بهبود عملكرد آن در پيش‌بيني پارامتر مورد نظر شده و توانسته است حداكثر عمق نسبي آبشستگي را با R2، 0.992 و RMSE، 0.0254، پيش‌بيني نمايد. نتيجه‌گيري: مقايسه نتايج نشان داد هر دو مدل ANFIS توانايي بالايي در پيش‌بيني پارامترهاي مورد نظر دارند ولي، بهينه‌سازي پارامترهاي ANFIS منجر به كاهش خطاي مدل در پيش‌بيني حداكثر عمق آبشستگي از 0.053 به 0.0254 مي‌گردد.

Background and Objectives: The main cause of collapse of bridges is scour around bridge piers. Therefore, knowledge about the effective parameters and estimation of maximum scour depth has an important role on the safe design of bridges in rivers. The aim of this research is evaluation of optimized ANFIS parameters with GA on prediction of maximum scour depth and comparison with all FIS generator of Matlab Toolbox ANFIS. Materials and Methods: To evaluate prediction of scour depth around inclined bridge piers located on rectangular foundation using optimized ANFIS parameters with GA and Matlab ANFIS, 48 sets of experimental data of scour around incline bridge piers were used. To compare the performance of results, R2 and RMSE were utilized. Results: Analysis of results showed that GENFIS1 generator of ANFIS toolbox in Matlab had the best performance, which could predict maximum scour with R2 and RMSE, 0.976 and 0.053, respectively. Comparison of the predicted scour depths indicated that optimization of ANFIS parameters had better desired parameters prediction with R2 and RMSE, 0.992 and 0.02537 in comparison of ANFIS toolbox in Matlab. Conclusion: Comparison of results indicated that both ANFIS toolbox in Matlab and optimized ANFIS could predict desired output, but the study are encouraging and suggest that an optimized adaptive neuro-fuzzy approach is a powerful tool to model scour depth around inclined bridge piers group which could reduce RMSE from 0.053 to 0.0254.