Неотъемлемой частью эволюции любого естественного русла реки являются его морфологические изменения. Такое изменение формы русла, как правило, является реакцией на изменение течения.
Влияние антропогенного сооружения часто может привести к образованию значительных обрывов в неприметном русле реки. Точная оценка и прогнозирование размывов, вызванных любыми гидротехническими работами, является критической и очень важной во многих областях экологического и гражданского строительства.
На состояние лопатки влияет ряд физических параметров, таких как параметры текучести, течения, осадка и геометрии структуры, а также широкий спектр нефизических переменных, таких как турбулентный пограничный слой и механизм переноса осадка. Это усложняет оценку этого явления.
В целом, при оценке локального размыва часто используются три метода: теоретический, экспериментальный и численный. Теоретическая модель глубины размыва часто делает много предположений для установления соответствующих математических связей.
Кроме того, параметры в функции должны определяться экспериментальными данными. Экспериментальные модели, основанные на многочисленных экспериментальных исследованиях, в которых пространственный анализ сочетается с экспериментальным тестированием модели в прошлом.
Такие экспериментальные взаимосвязи часто неадекватны из-за большого числа параметров, влияющих на размыв. Был также разработан ряд цифровых моделей для оценки степени размыва.
ANN модели - это мощный инструмент для обеспечения хорошего решения в условиях сложной системы, которая может быть плохо определена или понята с помощью математических уравнений. Вот почему все больше и больше моделей нейросетей реализуются в таком сложном процессе, как размыв, вызванный сильным антропогенным воздействием, таким как опоры мостов, сваи, водосливы, водосбросы и т.д.
Научные работы показали полезность применения моделей АNN при оценке глубины размыва вокруг опор мостов. Экспериментальные данные использовались в качестве исходных в двух сочетаниях: исходные и безразмерные. Необработанные данные дают лучшие результаты, чем преобразованные.
Сравнив результаты с традиционными подходами, и обнаружив, что разведывательные модели намного превосходят их. Были использованы обратно размножающиеся нейронные сети, обученные по полевым данным. Было выбрано пять безразмерных параметров для прогнозирования нормализованной глубины размыва.
Сравнения между предлагаемой нейронной моделью и несколько условных выражений показали, что модель ANN обладает хорошей способностью прогнозировать глубину размыва и дает более точные результаты.
Более 380 локальных измерений размыва на 56 мостах в различных реках США были собраны для разработки модели ANN для оценки размыва в исследованиях . Начиная с 14 переменных в входном слое, были выбраны 4 входа, которые оказывают основное влияние, а именно: ширина и перекос пирса, глубина и скорость потока.
Результаты показывают, что глубину локального размыва можно оценить с достаточной точностью. Была проведена оценка дальнейшего размыва живого дна и чистой воды. Имея слабую способность прогнозировать размыв причала чистой водой из-за отсутствия пиковой глубины размыва в данных условиях, модель ANN смогла точно оценить глубину размыва причала для живого дна.
Было применено несколько типов моделей нейросетей с одним скрытым слоем и несколькими скрытыми слоями для оценки размыва вокруг опор моста подоконником. Экспериментальные испытания проводились в различных условиях течения, на разных расстояниях между причалами и порогами пласта.
Было установлено, что АNN с двумя скрытыми слоями является оптимальной моделью для прогнозирования глубины размыва. Был разработан групповой метод обработки данных (GMDH) с использованием традиционного для АNN алгоритма обратного распространения и генетического программирования для прогнозирования глубины размыва причала в мостах.
Было обнаружено, что такие разведывательные модели могут быть успешно использованы для прогнозирования размыва причала, что также было доказано сравнением с традиционными уравнениями.
Чувствительный анализ показал, что безразмерный параметр диаметра пирса до глубины течения является наиболее важным параметром при моделировании глубины размыва.
Попытка оценить глубину и ширину размыва с помощью одной сети. Попробывав два разных АNN - модели разных типов: MLP/BP - многослойный перцептрон на основе алгоритма обратного распространения, MLP/CC - многослойный перцептрон на основе каскадной корреляции, RBF/OLS - радиальная базисная функция на основе ортогонального алгоритма наименее квадратов, ANFIS - адаптивная система нечетких выводов, GP - генетическое программирование, GMDH/BP - групповой метод работы с данными в сети на основе GMDH.
Многослойный перцептрон с различными правилами обучения и радиальными базовыми функциями и обнаружено, что сеть с двумя выходными нейронами - глубиной и шириной размыва - не смогла обеспечить желаемое отображение.
Использование в сетях с одним выходом нейронов позволяет правильно оценить глубину и ширину размыва. Было продемонстрировано, что разработанные нейронные сети могут интеллектуально моделировать нелинейные зависимости между входными параметрами, такими как высота волны, глубина воды, максимальная скорость потока, максимальная сдвиговая скорость, волновой период и параметры щитов, а выходные параметры - глубина и ширина размыва с высокой точностью.
Предложив альтернативу традиционным нелинейным регрессионным подходам для прогнозирования процессов эрозии вниз по течению ниже по течению от структур, контролирующих содержание.
Используя модель нейросетей, получили эксплицитное выражение для предсказания максимальной глубины размыва. Проведенные оценки по такой модели были намного лучше, чем у обычных уравнений нелинейной регрессии.
Это доказывает, что использование таких моделей разведки может быть очень полезным и необходимым при исследовании эрозионных процессов в реках.
Даже такие сложные и многофакторные явления, как размывы, вызванные искусственными структурами, можно точно оценить и спрогнозировать с помощью моделей нейросетей.