نوع مقاله : مقاله پژوهشی
نویسندگان
1 دانشجوی دکتری، دانشکده مهندسی عمران، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران
2 استادیار، گروه مهندسی عمران، دانشکده مهندسی عمران، دانشگاه رازی، کرمانشاه، ایران،
3 استادیار، دانشکده مهندسی عمران، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران
چکیده
درسالهای اخیر، فنهای دادهکاوی و یادگیری ماشین در زمینههای مختلف برای ساخت سامانههای اطلاعاتی هوشمند توسعهیافتهاند. بااینحال، تعداد کمی از روشهای ارائهشده توانایی پشتیبانی برخط را داشته و یا دارای انعطافپذیری در آنالیز حجم زیادی از دادهها میباشند. در تحقیق حاضر، بهمنظور به دست آوردن تخمینهای مناسب از پیشبینی عمق آبشستگی، در مدل تلفیقی شبکه عصبی و سیستم استنتاج فازی، از فن ازدحام ذرات (PSO) استفاده شد. آنالیزها با استفاده از 188 دادۀ صحرایی عمق آبشستگی پایه منفرد که بهوسیله سازمان حفاظت خاک آمریکا (USGS) ثبت گردیده، انجام شد. بهمنظور تسریع در یادگیری از طریق آموزش، برای افزایش دقت پیشبینیهای کوتاهمدت از روش مومنتوم استفاده شد. نتایج نشان دادندکه روش PSO-ANFIS با کمترین ریشه میانگین مربعات خطا (RMSE) نسبت به دیگر مدلهای ارائهشده، دقت بیشتری دارد. ازاینرو، این روش با اطمینان بیشتری میتواند مورداستفاده طراحان و مهندسین قرار گیرد.
کلیدواژهها
عنوان مقاله [English]
A Hybrid ANFIS- PSO Model for Scour Depth Prediction
نویسندگان [English]
- Mohammad Heman Jannaty 1
- Afshin Eghbalzadeh 2
- SeyedAbbas Hosseini 3
1 Ph.D. Scholar, Department of Civil Engineering, Faculty of Civil Engineering, Islamic Azad University, Science and Research Branch, Tehran, Iran
2 Assist. Professor, Department of Civil Engineering, Faculty of Civil Engineering, University of Razi, Kermanshah, Iran
3 Assist. Professor, Department of Civil Engineering, Faculty of Civil Engineering, Islamic Azad University, Science and Research Branch, Tehran, iran
چکیده [English]
In recent years, newly-developed data mining and machine learning techniques have been applied in various fields to build intelligent information systems. However, few of these approaches offer online support or are flexibleto be adapted to large and complex datasets. Therefore, the present research work adopts Particle Swarm Optimization (PSO) techniques to obtain appropriate parameter settings for membership function and integrates the Adaptive-Network-based Fuzzy Inference System (ANFIS) model to make the model fit for predicting scour depth. A dataset of 188 scour depths for single piers presented by the USGS was used. Results of the model prediction show that the derived model is best fitted to the field data. The proposed one-order momentum method is able to learn quickly through one-pass training and provides high-accuracy short-term predictions. Moreover, this method is suitable for online learning but the two-order momentum method is appropriate for incremental learning. The PSO-ANFIS approach could provide better results in predicting scour depths compared with other models.
کلیدواژهها [English]
- Scour Depth
- PSO-ANFIS
- Field data
- Single Piers