با توجه به اهمیت زیاد پل ها در زندگی روزمره انسان و نقش آنها در حمل و نقل و ارتباط بین نقاط مختلف، حفاظت و نگهداری آنها از اولویت بالایی برخوردار می‌باشد. یکی از عواملی که همواره سازه‌هایی مانند پل را مورد تهدید قرار میدهد، آبشستگی موضعی می‌باشد. هر ساله تعداد زیادی از پل‌ها در سراسر جهان در اثر این پدیده تخریب می‌شوند و بدین سبب خسارات اقتصادی زیادی متوجه دولت‌ها می‌شود. از این رو شناسایی عوامل تاثیر گذار بر این پدیده بسیار مهم می‌باشد. به علت تعدد پارامترهای تاثیرگذار برروی پدیده آبشستگی و همچنین پیچیدگی فرایند آبشستگی، همواره بررسی این پدیده با مشکلات و پیچیدگی بسیاری همراه بوده است. علیرغم تلاش‌های زیاد صورت گرفته در این زمینه و تعدد روابط تجربی موجود، رابطه کلی و جامعی برای تخمین عمق حفره آبشستگی در همه شرایط موجود نیست. امروزه با توجه به پیشرفت‌های چشمگیر در زمینه روش‌های نوین داده کاوی مانند سیستمهای هوشمند از جمله رگرسیون فرآیند گاوسی، رگرسیون بردار پشتیبان، مدل درختی M5 و K-نزدیک‌ترین همسایگی تلاش زیادی برای حل و مدلسازی مسائل پیچیده مهندسی آب با این روش ها انجام شده است. در این تحقیق سعی بر بررسی کارایی روش‌های رگرسیون فرآیند گاوسی، رگرسیون بردار پشتیبان، مدل درختی M5 و K-نزدیک‌ترین همسایگی در تخمین عمق چاله آبشستگی پایه پل و مقایسه ی نتایج به دست آمده از آن با نتایج هفت رابطه تجربی شده است. از میان روابط تجربی بررسی شده، رابطه تجربی جین و فیشر (1980) دارای عملکرد بهتر و دقت بیشتری نسبت به سایر روابط تجربی می‌باشد. نتایج نشان داد کلیه روش‌های داده‌کاوی برتری محسوسی نسبت به روابط تجربی در زمینه پیش‌بینی عمق آبشستگی پایه پل دارا هستند. همچنین از بین روش‌های داده‌کاوی روش‌های رگرسیون فرایند گاوسی و رگرسیون بردار پشتیبان با بهره‌گیری از توابع کرنل که توانایی بالایی در حل مسائل غیر خطی دارا هستند، نسبت به سایر روش‌های بررسی شده دارای عملکرد بهتری می‌باشد. بررسی دقیق نتایج نشان‌دهنده کارآیی و دقت عمل بالاتر روش رگرسیون فرایند گاوسی در این زمینه می‌باشد.

آنچه در این کد خواهید آموخت:

1- آشنایی کلی با داده کاوی و اصول آن

2- نحوه مدل سازی و پیش بینی یک متغیر توسط رگرسیون فرایند گاوسی

3- نحوه مدل سازی و پیش بینی یک متغیر توسط رگرسیون بردار پشتیبان

4- نحوه مدل سازی و پیش بینی یک متغیر توسط مدل درختی M5

5- نحوه مدل سازی و پیش بینی یک متغیر توسط -Kنزدیک ترین همسایگی

6- انواع روابط تجربی موجود در زمینه تخمین عمق آبشستگی پایه پل

7- انجام تحلیل های آماری اولیه برروی داده ها

نکات و الزامات:

1- نرم افزار WEKA یک نرم افزار منبع باز می باشد که بر روی تمامی سیستم‌های عامل قابل نصب است.

2- آشنایی اولیه با مایکروسافت اکسل برای آماده سازی داده‌ها

3- آشنایی اولیه با مفاهیم کلی داده کاوی

4- آشنایی اولیه با تحلیل های آماری داده‌ها