مقاله پیش بینی عمق آبشستگی پایه پل با استفاده از مدل درختی قواعد M5

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله پیش بینی عمق آبشستگی پایه پل با استفاده از مدل درختی قواعد M5 دارای ۱۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله پیش بینی عمق آبشستگی پایه پل با استفاده از مدل درختی قواعد M5  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله پیش بینی عمق آبشستگی پایه پل با استفاده از مدل درختی قواعد M5،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله پیش بینی عمق آبشستگی پایه پل با استفاده از مدل درختی قواعد M5 :

چکیده

آبشستگی موضعی همواره سازه ها یی که در مجرای اصلی آبراهه ها واقع هستند را تهدید می کند. هر سال پل های بسیاری در سراسر جهان و ایران به دلیل آبشستگی پایه پل تخریب می شوند، بنابراین همواره تعیین بیشینه عمق آبشستگی پایه پل یکی از مباحث مطالعات هیدرولیک و مهندسی آب می باشد. به دلیل پیچیدگی و تعدد پارامترهای موثر بر میزان آبشستگی تاکنون رابطه تجربی دقیق و جامعی برای تعیین بیشینه عمق آبشستگی اطراف پایه پل ارائه نشده است . مدل درختی قوائد M5 یکی از روش های نوین داده کاوی می باشد که با یک ساختار درختی اقدام به پیش بینی متغیر پیوسته هدف و استخراج روابط خطی براساس قوانین اگر-آنگاه می نماید. در مطالعه حاضر به بررسی کارایی روش مدل درختی قوائد M5 در تخمین بیشینه عمق آبشستگی براساس داده های آزمایشگاهی پرداخته شده است.

واژه های کلیدی: آبشستگی موضعی، جریان گردابی، پایه پل، مدل درختی M5، داده کاوی.

مقدمه

با توجه به اهمیت زیاد پل ها در زندگی روزمره انسان و نقش آنها در حمل و نقل و ارتباط بین نقاط مختلف، حفاظت و نگهداری آنها از اولویت بالایی برخوردار می باشد. یکی از عواملی که همواره سازه هایی مانند پل را مورد تهدید قرار می دهد، آبشستگی موضعی می باشد. برخی گزارش ها نشان دهنده این حقیقت می باشد که %۶۰ تخریب پل ها به عوامل هیدرولیکی بستگی دارد که درمیان عوامل هیدرولیکی آبشستگی موضعی مهمترین تاثیر را دارد (شیرول و هالت، .[[۱۶(۱۹۹۱ بنابراین همواره محققین بسیاری در سراسر دنیا به تحقیق و بررسی این پدیده پرداخته اند و سعی بر شناسایی عوامل تاثیر گذار برروی آبشستگی موضعی داشته اند. در حالت کلی آبشستگی به سه دسته ی آبشستگی عمومی، آبشستگی تنگ شدگی و آبشستگی موضعی تقسیم می شود. آبشستگی عمومی یک فرایند طبیعی است و وقوع آن صرف نظر از حضور سازه هایی مصنوعی امکان پذیر است. اما کاهش ناگهانی در رقوم بستر مجرا در اطراف تاسیسات آبی به واسطه ی تغییرات شدید در الگوی جریان در اطراف این سازه ها آبشستگی موضعی نامیده می شود. حاصل جمع این دو نوع ابشستگی آبشستگی کلی را تشکیل می دهد (سیمونز و سنتورک، .(۱۹۹۲ عامل اولیه آبشستگی موضعی پایه پل، جریان رو به پایین است که نظیر یک جت عمودی آب رفتار می کند و مواد کناره پل را بلند کرده و جریان معمولی آب آن را می شوید. سیستم گرداب نعل اسبی ٌ از نتایج آبشستگی موضعی است که طبق نظر بعضی از محققان، این سیستم در ابتدا کوچک و قدرت آن ضعیف بوده، ولی پس از تشکیل حفره آبشستگی سیستم گرداب نعل اسبی از لحاظ اندازه و قدرت نیز رشد می یابد. با افزایش عمق آبشستگی (گود شدن حفره)، مقدار جریان رو به پایین در نزدیکی کف حفره کاهش یافته و زمانی که قدرت نیروهای محرک تقریبا برابر با قدرت نیروهای مقاوم (وزن اشباع ذره) گردید، آبشستگی متوقف می شود. سیستم گرداب نعل اسبی در اثر جدا شدن خطوط جریان به علت وجود پایه پل در مسیر جریان آب به وجود می آید. اندازه و قدرت سیستم های گردابی بستگی به شکل پایه و سرعت آب دارد. پایه هایی که به صورت آیرودینامیکی ساخته می شوند، جداشدگی جریان و در نتیجه سطح گردابی شیاری کاهش یافته، باعث می شود که قدرت سیستم گردابی ضعیف شود.

۱ – Horseshoe Vortex

در نتیجه میزان آبشستگی موضعی به شدت کاهش پیدا می کند، در حالی که در پایه های مستطیل شکل میزان آبشستگی موضعی از همه بیشتر است( شفاعی بجستان، .(۱۳۸۳ شکل (۱) حالت کلی آبشستگی موضعی و گرداب های نعل اسبی را نشان می دهد.

شکل -۱ گرداب های نعل اسبی و سطحی (ملویل، (۲۰۰۸

یک دسته بندی دیگر برای آبشستگی وجود دارد که از نظر شرایط حرکت مواد بستر می باشد و شامل آبشستگی بستر زنده ٌ و

آبشستگی آب صافٍ است. پارامتر های موثر شناخته شده بر آبشستگی پایه پل شامل پارامترهای هیدرولیکی مانند: عمق جریان، سرعت متوسط جریان و غیره، پارامترهای مربوط به سیال مانند شتاب ثقل، جرم واحد حجم و غیره، پارامترهای هندسی مانند قطر پایه، شکل پایه و غیره و پارامترهای رسوبی مانند اندازه مواد رسوبی و توزیع دانه بندی و ; می باشند ( شفاعی بجستان، .(۱۳۸۳ همچنان که ذکر شد به علت تعدد پارامترهای تاثیرگذار برروی پدیده آبشستگی و همچنین پیچیدگی فرایند آبشستگی، همواره بررسی این پدیده با مشکلات و پیچیدگی بسیاری همراه بوده است و علی رغم تلاش های زیاد صورت گرفته در این زمینه و تعدد روابط تجربی موجود در این رابطه، رابطه ی کلی و جامعی برای تخمین عمق بیشینه حفره آبشستگی در همه شرایط موجود نیست و کلیه روابط تجربی موجود به بررسی این پدیده در شرایط خاص آزمایشگاهی و با در نظر گرفتن پارامترها و عوامل محدودی حاصل شده اند و عموما قابل تعمیم و استفاده برای داده های میدانی نمی باشند )[[۹پال و همکاران، .(۲۰۱۲ این معادلات برای تخمین عمق حفره آبشستگی موضعی در یک موقعیت خاص، غالبا نتایج کاملا متفاوتی داده اند، بنابراین انتخاب معادله ای که بیشترین تطابق را با واقیت داشته باشد اساسا اگر امکان پذیر باشد، کار ساده ای نیست (کوچک زاده و همکاران، .(۱۳۸۱ امروزه با پیشرفت علوم کامپیوتر و روش های نوین محاسبات نرم از جمله ماشین بردار پشتیبانَ، رگرسیون درختیُ، شبکه عصبی مصنوعیِ و مدل درختی M5، محققان زیادی در سراسر دنیا سعی در حل مسائل پیچیده در علوم مختلف از جمله علوم مهندسی آب انجام داده اند. از جمله این مطالعات می توان به موارد زیر اشاره کرد. کوچک زاده و همکاران عمق آبشستگی موضعی در اطراف پایه های واقع در مجرای اصلی آبراهه ها را به کمک شبکه عصبی مصنوعی تخمین زدند و به این نتیجه رسیدند که شش پارامتر ورودی شامل سرعت جریان، سرعت بحرانی، عمق آب، قطر پایه پل، اندازه متوسط ذرات رسوب و انحراف معیار هندسی ذرات بستر بیشترین تاثیر را بر میزان عمق چاله آبشستگی دارند و شبکه عصبی مصنوعی عملکرد مطلوبی در بر آورد عمق آبشستگی دارد (کوچک زاده و همکاران، .(۱۳۸۱ سبزیان پور و همکاران به پیش بینی عمق آبشستگی در پایه های استوانه ای شکل با استفاده از درخت های رگرسیونی پرداختند و مقادیر به دست آمده را با مقادیر حاصل از روابط تجربی مقایسه کردند؛ و در تحقیق خود از داده های آزمایشگاهی شامل پارامترهای قطر متوسط ذرات، قطر پایه، عمق آب، سرعت متوسط جریان، سرعت بحرانی و عمق

۱ – Live Bed Scour 2 – Clear Water Scour 3 -Support Vector Machine 4 – Regression Tree 5 -Artificial Neural Network

۲

آبشستگی استفاده کردند و به این نتیجه رسیدند که درخت های رگرسیونی دقت بیشتری نسبت به روابط تجربی دارند (سبزیان پور و همکاران، .(۱۳۸۱ اردشیر و همکاران به بررسی توسعه زمانی آبشستگی اطراف ابشکن های نفوذ ناپذیر در کانال مستقیم و پیش بینی آن با شبکه عصبی مصنوعی پرداختند و به این نتیجه رسیدند که شبکه های عصبی مصنوعی توسعه زمانی آبشستگی را بهتر از مدل های معادله همبستگی پیش بینی می کنند [۱] (اردشیر و همکاران، .(۱۳۸۹ یاسا و شهیدی به پیش بینی آبشستگی اطراف خطوط لوله در بستر دریا تحت تاثیر امواج به وسیله درخت تصمیم گیری پرداختند و دریافتند که این روش نسبت به روش های تجربی قبلی دقت بالاتری دارد (یاسا و شهیدی، .(۱۳۸۹ حسین نژاد و همکاران به پیش بینی عمق آبشستگی اطراف پایه پل با استفاده از شبکه عصبی مصنوعی و مقایسه آن با روابط تجربی پرداختند و به این نتیجه رسیدند که استفاده از شبکه عصبی مصنوعی در مقایسه با روابط تجربی دقت برآورد عمق آبشستگی را افزایش داده و ارزیابی مطمئن تری از عمق آبشستگی ارائه می دهد