| تعداد نشریات | 45 |
| تعداد شمارهها | 1,562 |
| تعداد مقالات | 19,103 |
| تعداد مشاهده مقاله | 65,993,719 |
| تعداد دریافت فایل اصل مقاله | 24,025,143 |
ارزیابی مدل هیبریدی الگوریتم سنجاقک -شبکه عصبی مصنوعی برای مدلسازی نشست سدهای خاکی هنگام ساخت | ||
| دانش آب و خاک | ||
| مقاله 10، دوره 33، شماره 3، مهر 1402، صفحه 163-181 اصل مقاله (1.56 M) | ||
| شناسه دیجیتال (DOI): 10.22034/ws.2022.50325.2459 | ||
| نویسندگان | ||
| حسین حکیمی خانسر* 1؛ علی حسین زاده دلیر2؛ جواد پارسا3؛ جلال شیری4 | ||
| 1دانشجوی دکترا، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران | ||
| 2استاد، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایرانعضو هیات علمی دانشگاه تبریز | ||
| 3استادیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران | ||
| 4دانشیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران | ||
| چکیده | ||
| برای اندازهگیری تغییر شکلهای مقطع 19 سد کبودوال، انحراف سنجهای قائم و صفحات مغناطیسی نشستسنجی به تعداد 17 عدد (M1 تا M17) در بدنه و پی آن، در دوران ساخت نصب گردیده است. در این مطالعه قابلیت الگوریتم هیبریدی DA-ANNدر زمینه مدلسازی نشست در زمان ساخت و تعیین ویژگیهای مؤثر بر آن مورد مطالعه قرار گرفته است. برای ورودی مدل هیبریدی، پنج ویژگی شامل تراز خاک ریزی، زمان ساخت سد، تراز مخزن (آبگیری)، سرعت آبگیری و سرعت خاک ریزی انتخاب گردیده است. با اجرای الگوریتم هیبریدی، آنالیز حساسیت و روش انتخاب ویژگی ترکیب سه، سه و دو ویژگی در صفحات M1، M5 و M9 به ترتیب با مقادیر خطا (RMSE) برابر 0023/0، 0024/0، 0026/0و ترکیب چهار ویژگی در صفحه M13 با مقدار خطا (RMSE) برابر 0035/0 بهترین ترکیب ورودی بوده است. سه ویژگی زمان ساخت، تراز خاکریزی و تراز آبگیری به عنوان ویژگیهای مشترک در همه صفحات، مؤثرترین ویژگیها در مدلسازی نشست در صفحات منتخب بوده است. در صفحات نصبشده در ترازهای بالاتر، خطای مدلسازی افزایش یافته است زیرا در صفحه M1 (دارای پایینترین تراز نصب)، مدل ANN با توجه به شاخصهای آماری R^2،SI ، NSE و NRMSE به ترتیب برابر مقادیر 9997/0، 0079/0، 9997/0 و 0079/0 در دوره آزمون دارای بهترین عملکرد نسبت به سایر صفحات داشته است. تأثیر ویژگیهای تراز آب مخزن بر صفحات نصبشده در ترازهای بالاتر با توجه به ضریب حساسیت بالا، بیشتر از سایر نقاط بوده است و تراز خاکریزی کمترین تأثیر را بر مدلسازی نشست داشته است. | ||
| کلیدواژهها | ||
| الگوریتم سنجاقک؛ انتخاب ویژگی؛ زمان ساخت سد؛ مقطع عرضی سد؛ نشست | ||
| مراجع | ||
|
Amiri Mijan F, Shirani H, Esfandiarpour I, Besalatpour A and Shekofteh H, 2019. Identifying the determinant factors influencing S index in calcereous soils using anneling simulated– artificial neural network hybrid algorithm. Water and Soil Science, 23(3): 381-394. (in Persian with English abstract)
Asadi H, Shahedi K, Sidle RC and Kalami Heris S M, 2019. Prediction of suspended sediment using hydrologic and hydrogeomorphic data within intelligence models. Iran-Water Resources Research, 15(3): 105-119 (in Persian with English abstract)
Bagherzadeh M, Mousavi SF, Manafpour M, Mirzaee R, and Hoseini K. 2020. Numerical simulation and application of soft computing in estimating vertical drop energy dissipation with horizontal serrated edge. Water Supply, 22:15-30.
Chandrashekar G and Sahin F, 2014. A survey on feature selection methods. Computers and Electrical Engineering, 40(1): 16-28.
Cucci G, Lacolla G, Pagliai M and Vignozzi N, 2015. Effect of reclamation on the structure of silty-clay soils irrigated with saline-sodic waters. International agrophysics, 29(1):15-32.
Daneshfaraz R, Bagherzadeh M, Esmaeeli R, Norouzi R, and Abraham J, 2020. Study of the performance of support vector machine for predicting vertical drop hydraulic parameters in the presence of dual horizontal screens. Water Supply, 21(1): 217-231.
Hakimi Khansar H, 2021. Simulation of behavior the Kabudval Dam during construction with 3D numerical modeling. Amirkabir Journal of Civil Engineering, 53(9): 20-20. (in Persian with English abstract)
Hakimi Khansar H, Golmaei H, and Sheidaeian M, 2014. Evaluting of Kaboodval dam during construction using finite clement method with software PLAXIS and a comparison with the actual values of instrumentation data. Journal of Water Science and Engineering, 4(9): 33-50. (in Persian with English abstract)
Hakimi Khansar H, Golmaei SH, and Sheydaeian, M, 2014. Numerical analysis of embankment dam monitoring during construction of the finite element method with software SIGMA / W (Case study: Kaboodval dam). Journal of Water Science and Engineering. 3(7): 67-83. (in Persian with English abstract)
Hill MC. 1998. Methods and Guidelines for Effective Model Calibration. U.S. Geological Survey Water- Resources Investigations Report, 98-4005. pp. 1-98. Kumar V, and Minz S, 2014. Feature selection: a literature review. SmartCR. 4(3): 211-229.
Mirjalili S, 2016. Dragonfly algorithm: a new meta-heuristic optimization technique for solving single-objective, discrete, and multi-objective problems. Neural Computing and Applications, 27(4): 1053-1073.
Norouzi R, Sihag P, Daneshfaraz R, Abraham J, and Hasannia V, 2021. Predicting relative energy dissipation for vertical drops equipped with a horizontal screen using soft computing techniques. Water Supply. 21(8):4493-513.
Nourani V and Babakhani A, 2013. Integration of artificial neural networks with radial basis function interpolation in earthfill dam seepage modeling. Journal of Computing in Civil Engineering. 27(2), 183-195.
Nourani V, Sharghi, E and Aminfar M, 2012. Integrated ANN model for earthfill dams seepage analysis: Sattarkhan Dam in Iran. Artificial Intelligence Research. 1(2): 22-37.
Nouri M and Salmasi F, 2019. Predicting seepage of earth dams using artificial intelligence techniques. Irrigation Sciences and Engineering. 42(1): 83-97. (in Persian with English abstract)
Novakovic A, Rankovic V, Grujovic N, Divac D, and Milivojevic N, 2014. Development of neuro-fuzzy model for dam seepage analysis. Annals of the Faculty of Engineering Hunedoara. 12(2): 133-136.
Parsa J, Hakimi Khansar H, Hoseinzadeh dalir A, and Shiri J, 2021. Simulation of soil stress in earth dams using artificial intelligence models and determination of effective features. Amirkabir Journal of Civil Engineering. 54(1): 14-30. (in Persian with English abstract)
Salmasi F, Hakimi Khansar H and Norani B, 2019. Investigation of the structure of the dam body during construction and its comparison with the analytical results using pLAXIS software (the Case Study of Kaboodvall Dam). Journal of Water and Soil Science, 22(4): 155-171. (in Persian with English abstract)
Shiri J, 2019. Modeling reference evapotranspiration in island environments: assessing the practical implications. Journal of Hydrology. 570: 265-280.
Wu K, Soci C, Shum PP and Zheludev NI, 2014. Computing matrix inversion with optical networks. Optics Express, 22(1): 295-304.
| ||
|
آمار تعداد مشاهده مقاله: 886 تعداد دریافت فایل اصل مقاله: 844 |
||