Köprü ayakları etrafında meydana gelen oyulma derinliğinin uç öğrenme makinesi, XGBoost regresyon ve sembolik regresyon yöntemleri ile tahmini
Küçük Resim Yok
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İnönü Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Yatak malzemelerinin taşınması sırasında köprü ayaklarının zarar görmesi ciddi sonuçlara yol açabilir. Bu nedenle, köprü ayaklarında meydana gelen oyulmanın modellenmesi, insan hayatı için önemli bir risk faktörüdür. Uygulamada birçok farklı tip ve şekillerde köprü ayakları kullanılmaktadır. Köprü ayağı oyulmalarının tahmin edilmesi için birçok geleneksel matematiksel denklemler üretilmiştir. Bu tez kapsamında, oyulma derinliği üç farklı yenilikçi yöntem kullanılarak tahmin edilecektir. Bu yöntemler; Uç Öğrenme Makinesi (UÖM), Sembolik Regresyon (SR) ve XGBoost Regresyon (XGBoost) yöntemleridir. Literatürden derlenen 1064 laboratuvar verisi kullanılarak, dairesel duvar jeti, dairesel olmayan duvar jeti, tam akmayan menfez, iskele ve dayanak gibi farklı köprü ayak tipleri için densimetrik Froude sayıları hesaplanarak oyulma derinliği tahmin edilmiştir. Çeşitli geometrilerin hepsini kapsayan şekil ve yerleşim düzeninden bağımsız bir modelleme için genelleştirme yapılmıştır. UÖM, XGBoost ve SR yöntemlerinin çeşitli hiper parametre kombinasyonları ile en iyileme yapılarak en uygun model belirlenmeye çalışılmıştır. UÖM, XGBoost ve SR modelleri için sırasıyla 62, 90 ve 24 adet model kurulmuştur. Bu modeller beş farklı hata parametresi; Ortalama Karekök Hatası (RMSE), Ortalama Mutlak Hata (MAE), Ortalama Yüzdesel Mutlak Hata (MAPE), Willmott's İndeks (WI) ve Korelasyon Katsayısı (R2) kullanılarak hata oranı en aza indirilmiştir. UÖM, XGBoost ve SR ile elde edilen genel modeller, oyulma derinliğini tahmin etme konusunda geleneksel regresyon denklemlerinden daha iyi sonuçlar vermiştir.
Damage to bridge piers during the transportation of bed materials can lead to serious consequences. Thus, modeling the scouring at bridge piers is a critical risk factor for human life. In practice, a variety of different types and shapes of bridge piers are used. Numerous traditional mathematical equations have been developed to predict scour at bridge piers. In this thesis, the scour depth will be estimated using three different innovative methods: Extreme Learning Machine (ELM), Symbolic Regression (SR), and XGBoost Regression (XGBoost). Using 1064 laboratory data collected from the literature, densimetric Froude numbers have been calculated for different bridge pier types such as circular wall jet, non-circular wall jet, full-flowing culvert, pier, and abutment, and scour depths have been predicted. A generalization has been made for modeling that encompasses various geometries and is independent of shape and layout. Hyperparameter combinations of the ELM, XGBoost, and SR methods were optimized to determine the best model. A total of 62, 90, and 24 models were developed for the ELM, XGBoost, and SR methods, respectively. These models were evaluated using five different error parameters: Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), Willmott's Index (WI), and Correlation Coefficient (R2), minimizing the error rate. The general equations derived from ELM, XGBoost, and SR provided better results in predicting scour depth compared to traditional regression equations.
Damage to bridge piers during the transportation of bed materials can lead to serious consequences. Thus, modeling the scouring at bridge piers is a critical risk factor for human life. In practice, a variety of different types and shapes of bridge piers are used. Numerous traditional mathematical equations have been developed to predict scour at bridge piers. In this thesis, the scour depth will be estimated using three different innovative methods: Extreme Learning Machine (ELM), Symbolic Regression (SR), and XGBoost Regression (XGBoost). Using 1064 laboratory data collected from the literature, densimetric Froude numbers have been calculated for different bridge pier types such as circular wall jet, non-circular wall jet, full-flowing culvert, pier, and abutment, and scour depths have been predicted. A generalization has been made for modeling that encompasses various geometries and is independent of shape and layout. Hyperparameter combinations of the ELM, XGBoost, and SR methods were optimized to determine the best model. A total of 62, 90, and 24 models were developed for the ELM, XGBoost, and SR methods, respectively. These models were evaluated using five different error parameters: Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), Willmott's Index (WI), and Correlation Coefficient (R2), minimizing the error rate. The general equations derived from ELM, XGBoost, and SR provided better results in predicting scour depth compared to traditional regression equations.
Açıklama
Fen Bilimleri Enstitüsü, İnşaat Mühendisliği Ana Bilim Dalı, Hidrolik Bilim Dalı
Anahtar Kelimeler
İnşaat Mühendisliği, Civil Engineering
