Developing empirical formulae for scour depth in front of inclined bridge piers
Özet
Because of the complex flow mechanism around inclined bridge piers, previous studies have proposed different empirical correlations to predict the scouring depth in front of piers, which include regression analysis developed from laboratory measurements. However, because these correlations were developed for particular datasets, a general equation is still required to accurately predict the scour depth in front of inclined bridge piers. The aim of this study is to develop a general equation to predict the local scour depth in front of inclined bridge pier systems using multilayer perceptron (MLP) and radial-basis neural-network (RBNN) techniques. The experimental datasets used in this study were obtained from previous research. The equation for the scour depth of the front pier was developed using five variables. The results of the artificial neural-network (ANN) analyses revealed that the RBNN and MLP models provided more accurate predictions than the previous empirical correlations for the output variables. Accordingly, analytical equations derived from the RBNN and MLP models were proposed to accurately predict the scouring depth in front of inclined bridge piers. Moreover, from the sensitivity analyses results, we determined that the scour depths in front of the front and back piers were primarily influenced by the inclination angle and flow intensity, respectively. Neka istraživanja predlažu različite empirijske korelacije kako bi se predvidjela dubina podlokavanja ispred nagnutih stupova mosta kroz regresijsku analizu dobivenu laboratorijskim mjerenjima zbog složenih mehanizama toka oko nagnutih stupova mosta. Međutim, kako su se te korelacije razvile za određeni skup podataka, opća je jednadžba i dalje potrebna da bi se točno predvidjela dubina podlokavanja ispred nagnutih stupova mosta. Glavni je cilj istraživanja razviti opću jednadžbu kako bi se predvidjela dubina podlokavanja ispred nagnutih stupova mosta kroz višeslojni perceptron (MLP) i tehnike neuronske mreže s radijalnim baznim funkcijama (RBNN). Eksperimentalni skupovi podataka koji se primjenjuju u ovom istraživanju skupljeni su se iz prijašnjih istraživanja. Jednadžba za dubinu podlokavanja prednjeg stupa koristi se primjenom pet varijabl. Rezultati analiza umjetne neuronske mreže (ANN) otkrivaju da su modeli RBNN i MLP omogućili preciznija predviđanja nego prethodne empirijske korelacije kad su u pitanju izlazne varijable. Prema tome, predlažu se analitičke jednadžbe dobivene RBNN i MLP modelima za točno predviđanje dubine podlokavanja ispred nagnutih stupova mosta. Štoviše, na temelju rezultata analize osjetljivosti utvrđuje se da je na dubinu podlokavanja ispred prednjih i stražnjih stupova najviše utjecao kut nagiba, odnosno intenzitet toka.
