تخمین آبشستگی خطوط لوله در بستر دریا در حالت بسترفعال با استفاده از مدل ترکیبی (〖M5〗^'-GLUE)

نوع مقاله: مقاله کامل

نویسنده

استادیار دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران

چکیده

تخمین میزان آبشستگی اطراف خطوط لوله در بستر دریا از مسایل مهم در طراحی خطوط لوله کف دریا است. با توجه به عدم قطعیت‌های آبشستگی، در این تحقیق با استفاده از روش غیرقطعی GLUE، مدل آبشستگی غیرقطعی درخت تصمیم‌گیری  تهیه گردید و با مدل قطعی درخت تصمیم‌گیری برای حالت‌های هیدرولیکی بستر فعال مقایسه شدند. نتایج نشان داد در مرحله‌های آموزش و آزمایش مدل، متوسط ضریب تعیین روش GLUE در تخمین عمق آبشستگی برای حالت هیدرولیکی بسترفعال برابر 72/0 می‌باشد که مبین دقت مناسب روش غیرقطعی ترکیبی ( ) است. همچنین براساس مقایسه دو شاخص مجذور مربع خطا و ضریب همخوانی مشخص شد که مدل ترکیبی باعث بهبود حدود 18 درصد دقت تخمین نسبت به مدل قطعی درخت تصمیم‌گیری شده است. البته در میان حالت‌های هیدرولیکی مورد بررسی، برای حالت بستر فعال با e/D کوچک، کمترین بهبود دقت نسبت به مدل قطعی درخت تصمیم‌گیری ایجاد شده است. بطور کلی نتایج بدست آمده نشان می‌دهد که با توجه به غیرقطعی بودن مکانیزم آبشستگی خطوط کف دریا، برآورد آبشستگی به روش‌های غیرقطعی دقیق‌تر از مدل‌های قطعی است.

کلیدواژه‌ها


Abbaspour, K. C., Johnson, C. A., and Van Genuchten, M. T. (2004). Estimating uncertain flow and transport parameters using a sequential uncertainty fitting procedure. Vadose Zone Journal, 3(4), 1340-1352.

Beven, K., and Binley, A. (1992). The future of distributed models: model calibration and uncertainty prediction. Hydrological Processes, 6(3), 279-298.

Brandimarte, L., Paron, P., and Di Baldassarre, G. (2012). Bridge pier scour: A review of processes, measurements and estimates. Environmental Engineering and Management Journal (EEMJ), 11(5), 975-989.

Cevik, E., and Yüksel, Y. (1999). Scour under submarine pipelines in waves in shoaling conditions. Journal of Waterway, Port, Coastal, and Ocean Engineering, 125(1), 9-19.

Chai, T., and Draxler, R. R. (2014). Root mean square error (RMSE) or mean absolute error (MAE)?–Arguments against avoiding RMSE in the literature. Geoscientific Model Development, 7(3), 1247-1250.

Etemad-Shahidi, A., Yasa, R., and Kazeminezhad, M. H. (2011). Prediction of wave-induced scour depth under submarine pipelines using machine learning approach. Applied Ocean Research, 33(1), 54-59.

Heidari, A., Saghafian, B., and Maknoon, R. (2006). Assessment of flood forecasting lead time based on generalized likelihood uncertainty estimation approach. Stochastic Environmental Research and Risk Assessment, 20(5), 363-380.

Kazeminezhad, M. H., Etemad-Shahidi, A., and Bakhtiary, A. Y. (2010). An alternative approach for investigation of the wave-induced scour around pipelines. Journal of Hydroinformatics, 12(1), 51-65.

Lucassen, R. J. (1984). Scour underneath submarine pipelines. Msc Thesis , TU Delft. The Netherlands.

Mirzaei, M., Huang, Y. F., El-Shafie, A., and Shatirah, A. (2015). Application of the generalized likelihood uncertainty estimation (GLUE) approach for assessing uncertainty in hydrological models: a review. Stochastic Environmental Research and Risk Assessment, 29(5), 1265-1273.

Mohr, H., Draper, S., Cheng, L., and White, D. J. (2016). Predicting the rate of scour beneath subsea pipelines in marine sediments under steady flow conditions. Coastal Engineering, 110, 111-126.

Mousavi, M. E., Bakhtiary, A. Y., and Enshaei, N. (2009). The equivalent depth of wave-induced scour around offshore pipelines. Journal of Offshore Mechanics and Arctic Engineering, 131(2), 021601.

Najafzadeh, M., Balf, M. R., and Rashedi, E. (2016). Prediction of maximum scour depth around piers with debris accumulation using EPR, MT, and GEP models. Journal of Hydroinformatics, 18(5), 867-884.

Niknia, N., Moghaddam, H. K., Banaei, S. M., Podeh, H. T., Omidinasab, F., and Yazdi, A. A. (2014). Application of Gamma test and neuro-fuzzy models in uncertainty analysis for prediction of pipeline scouring depth. Journal of Water Resource and Protection, 6(05), 514.

Pu, Q., Li, K., and Gao, F. P. (2001). Scour of the seabed under a pipeline in oscillating flow. China Ocean Engineering, 15(1), 129-137.

Rogiers, B., Mallants, D., Batelaan, O., Gedeon, M., Huysmans, M., and Dassargues, A. (2012). Estimation of hydraulic conductivity and its uncertainty from grain-size data using GLUE and artificial neural networks. Mathematical Geosciences, 44(6), 739-763.

Sumer, B. M., and Fredsøe, J. (2002). The mechanics of scour in the marine environment. World Scientific, Singapore.

Sumer, B. M., Truelsen, C., Sichmann, T., and Fredsøe, J. (2001). Onset of scour below pipelines and self-burial. Coastal Engineering, 42(4), 313-335.

Sumer, B. M., and Fredsøe, J. (1990). Scour below pipelines in waves. Journal of Waterway, Port, Coastal, and Ocean Engineering, 116(3), 307-323.

Tung, Y. K., and Yen, B. C. (2005). Hydrosystems engineering uncertainty analysis. Mac Graw-Hill.

Tung, Y. K., Yen, B. C., and Melching, C. S. (2006). Hydrosystems engineering reliability assessment and risk analysis. Mac Graw-Hill.

Wang, X., Frankenberger, J. R., and Kladivko, E. J. (2006). Uncertainties in Drainmod predictions of subsurface drain flow for an Indiana silt loam using the GLUE methodology. Hydrological processes, 20(14), 3069-3084.

Zhao, Z., and Fernando, H. J. (2007). Numerical simulation of scour around pipelines using an Euler–Euler coupled two-phase model. Environmental Fluid Mechanics, 7(2), 121-142.