Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Sự tích hợp giữa hệ thống suy diễn mờ thích nghi và thuật toán đom đóm để ước lượng xói mòn gần các trụ cầu
Tóm tắt
Trong bài báo này, lần đầu tiên, mô hình xói mòn xung quanh các trụ cầu đôi đã được dự đoán bằng cách sử dụng một thuật toán lai tối ưu hóa. Thuật toán lai (ANFIS-FA) được phát triển thông qua sự kết hợp giữa Hệ thống Suy diễn Mờ Thích nghi (ANFIS) và Thuật toán Đom Đóm (FA). Sau đó, bốn mô hình ANFIS và ANFIS-FA được xây dựng bằng cách áp dụng các tham số ảnh hưởng đến độ sâu xói mòn quanh các trụ đôi. Để đánh giá hiệu suất của các mô hình tính toán mềm, các mô phỏng Monte Carlo đã được sử dụng. Thêm vào đó, việc xác thực các mô hình số được thực hiện thông qua phương pháp xác thực chéo k gập. Đáng lưu ý rằng giá trị k trong xác thực chéo k gập được xem xét là 5. Dựa trên kết quả mô hình hóa, phân tích kết quả cho thấy các mô hình ANFIS-FA chính xác hơn các mô hình ANFIS. Sau đó, mô hình tốt hơn được xác định thông qua việc thiết lập phân tích độ nhạy. Mô hình tốt hơn là một hàm của tất cả các tham số đầu vào. Mô hình này ước tính các giá trị xói mòn với độ chính xác hợp lý. Ví dụ, các giá trị của R2, MAPE và RMSE lần lượt được tính toán là 0.991, 5.876 và 0.015. Hơn nữa, kết quả phân phối lỗi cho thấy khoảng 66% các kết quả thu được từ mô hình tốt hơn có lỗi nhỏ hơn 5%. Tiếp theo, số Froude (Fr) được xác định là tham số đầu vào hiệu quả nhất trong việc ước lượng lỗ xói quanh các trụ cầu đôi. Nghiên cứu cho thấy thuật toán đom đóm có thể tối ưu hóa thành công mạng ANFIS và hiệu suất của mô hình lai (ANFIS-FA) tốt hơn mô hình đơn giản (ANFIS). Cuối cùng, qua việc thực hiện phân tích không chắc chắn, bài báo kết luận rằng mô hình tốt hơn có hiệu suất được đánh giá quá cao. Phân tích không chắc chắn đã chứng minh rằng mô hình lai có băng giá trị không chắc chắn hẹp hơn so với mô hình ANFIS.
Từ khóa
#xói mòn #trụ cầu #thuật toán đom đóm #ANFIS #mô hình laiTài liệu tham khảo
Afzali SH (2016) New model for determining local scour depth around Piers. Arab J Sci Eng 41:3807–3815. https://doi.org/10.1007/s13369-015-1983-4
Amini A, Melville BW, Ali TM, Ghazali AH (2011) Clear-water local scour around pile groups in shallow-water flow. J Hydraul Eng 138(2):177–185
Azamathulla HM (2012) Gene-expression programming to predict scour at a bridge abutment. J Hydroinf 14(2):324–331
Azimi H, Bonakdari H, Ebtehaj I (2019) Gene expression programming-based approach for predicting the roller length of a hydraulic jump on a rough bed. ISH J Hydraul Eng 1–11. https://doi.org/10.1080/09715010.2019.1579058
Azimi H, Bonakdari H, Ebtehaj I, Shabanlou S, Talesh SHA, Jamali A (2019) A pareto design of evolutionary hybrid optimization of ANFIS model in prediction abutment scour depth. Sādhanā 44(7):1–14
Azimi H, Bonakdari H, Ebtehaj I, Talesh SHA, Michelson DG, Jamali A (2017) Evolutionary Pareto optimization of an ANFIS network for modeling scour at pile groups in clear water condition. Fuzzy Sets Syst 319:50–69
Azimi H, Shiri H (2020a) Dimensionless groups of parameters governing the ice-seabed interaction process. J Offshore Mech Arctic Eng 142(5):051601
Azimi H, Shiri H (2020b) Ice-seabed interaction analysis in sand using a gene expression programming-based approach. Appl Ocean Res 98:102120
Azimi H, Shiri H (2021) Sensitivity analysis of parameters influencing the ice–seabed interaction in sand by using extreme learning machine. Nat Hazards 106(3):2307–2335
Bateni SM, Jeng DS (2007) Estimation of pile group scour using adaptive neuro-fuzzy approach. Ocean Eng 34(8):1344–1354
Firat M, Gungor M (2009) Generalized regression neural networks and feed forward neural networks for prediction of scour depth around bridge piers. Adv Eng Softw 40(8):731–737
Fouli H, Elsebaie IH (2016) Reducing local scour at bridge piers using an upstream subsidiary triangular pillar. Arab J Geosci 9(12):598
Jang JS (1993) ANFIS: adaptive-network-based fuzzy inference system. IEEE Trans Syst Man Cybern 23(3):665–685
Jang JSR, Sun CT and Mizutani E 1997 Neuro-fuzzy and soft computing. Prentice Hall. ISBN 0-13-261066-3
Kardan N, Hassanzadeh Y, Hakimzadeh H (2017) The effect of combined countermeasures on main local scouring parameters using physical models. Arab J Geosci 10(23):516
Liriano SL, Day RA (2001) Prediction of scour depth at culvert outlets using neural networks. J Hydroinf 3(4):231–238
Mohammadpour R (2017) Prediction of local scour around complex piers using GEP and M5-tree. Arab J Geosci 10(18):416
Muzzammil M (2010) ANFIS approach to the scour depth prediction at a bridge abutment. J Hydroinf 12(4):474–485
Najafzadeh M, Barani GA, Hessami Kermani MR (2013) Abutment scour in clear-water and live-bed conditions by GMDH network. Water Sci Technol 67(5):1121–1128
Oliveto G, Marino MC (2016) Temporal scour evolution at non-uniform bridge piers. Proc Inst Civil Eng Water Manag 170(5):254–261 Thomas Telford Ltd.
Omara H, Elsayed SM, Abdeelaal GM, Abd-Elhamid HF, Tawfik A (2018) Hydromorphological numerical model of the local scour process around bridge Piers. Arab J Sci Eng 44:4183–4199. https://doi.org/10.1007/s13369-018-3359-z
Onen F (2014) Prediction of scour at a side-weir with GEP, ANN and Regression models. Arab J Sci Eng 39:6031–6041. https://doi.org/10.1007/s13369-014-1244-y
Petersen TU, Sumer BM, Fredsøe J, Raaijmakers TC, Schouten JJ (2015) Edge scour at scour protections around piles in the marine environment-laboratory and field investigation. Coast Eng 106:42–72
Shabanlou S, Azimi H, Ebtehaj I, Bonakdari H (2018) Determining the scour dimensions around submerged vanes in a 180 bend with the gene expression programming technique. J Mar Sci Appl 17(2):233–240
Sharafi H, Ebtehaj I, Bonakdari H, Zaji AH (2016) Design of a support vector machine with different kernel functions to predict scour depth around bridge piers. Nat Hazards 84(3):2145–2162
Trent R, Gagarin N, Rhodes J (1993) Estimating pier scour with artificial neural networks. Hydraul Eng (1043-1048). ASCE
Wang H, Tang H, Liu Q, Wang Y (2016) Local scouring around twin bridge piers in open-channel flows. J Hydraul Eng 142(9):06016008
Yang X-S (2010) Firefly algorithm, stochastic test functions and design optimization. Int J Bio Ins Comp 2(2):78–84