تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,020 |
تعداد مشاهده مقاله | 52,489,390 |
تعداد دریافت فایل اصل مقاله | 15,216,948 |
شبیهسازی فشار آب حفرهای در بدنه سدهای خاکی حین ساخت با ترکیب شبکه عصبی مصنوعی و الگوریتمهای فرا ابتکاری | ||
دانش آب و خاک | ||
مقاله 5، دوره 33، شماره 1، فروردین 1402، صفحه 63-77 اصل مقاله (1.01 M) | ||
شناسه دیجیتال (DOI): 10.22034/ws.2021.41616.2377 | ||
نویسندگان | ||
حسین حکیمی خانسر* 1؛ علی حسین زاده دلیر2؛ جواد پارسا3؛ جلال شیری4 | ||
1دانشجوی دکترا، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران | ||
22- استاد، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران | ||
3استادیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران | ||
4دانشیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران | ||
چکیده | ||
پیشبینی دقیق فشار آب حفرهای در بدنه سدهای خاکی حین ساخت، یکی از مهمترین عوامل در مدیریت پایداری سدهای خاکی است. در این تحقیق با استفاده از سه مدل متفاوت شبکۀ عصبی تکاملی شامل شبکۀ عصبی پرسپترون چند لایه با الگوریتم ژنتیک، بهینهسازی ازدحام ذرات و الگوریتم رقابت استعماری برای تخمین فشار آب حفرهای در بدنه سدهای خاکی کبودوال استان گلستان در زمان ساخت مورد مطالعه و مقایسه قرار گرفته است. پنج ویژگی شامل تراز خاک ریزی، زمان ساخت سد، تراز مخزن (آبگیری)، سرعت آبگیری و سرعت خاک ریزی در طول دوره آماری 1388-1391 یا 4 ساله به عنوان ورودی مدل هیبریدی در پیزومتر EP19.7 انتخاب شدند. ترکیب ورودیها با استفاده از روش انتخاب ویژگی و هیبرید الگوریتم چرخه آب-شبکه عصبی مصنوعی (WCA-ANN) به دست آمده است. با اجرای الگوریتم هیبریدی و آنالیز حساسیت و روش انتخاب ویژگی، تراز خاک ریزی، زمان ساخت سد، تراز آب گیری و سرعت آبگیری به عنوان چهار ورودی برتر انتخاب شدند زیرا ترکیب این 4 ویژگی با مقدارMSE برابر1587/1 کمترین خطا را دار بوده است. در این مطالعه وزنهای شبکه عصبی به کمک سه الگوریتم فرا ابتکاری مذکور به منظور افزایش کارایی بهینهشده است. در حالت کلی با توجه به شاخصهای آماری، نتایج حاکی از دقت قابلقبول هر سه مدل هیبریدی است. از لحاظ اولویت نیز مدل هیبرید ANN-GA با بیشترین دقت و کمترین خطا و مقادیر ، RMSE و MAE به ترتیب برابر با 9773/0، 0457/0 و 0399/0 در اولویت اول و مدلهای هیبریدی ANN-PSO و ANN-ICA به ترتیب در اولویتهای بعدی قرار گرفتند. | ||
کلیدواژهها | ||
الگوریتم چرخه آب؛ الگوریتم ژنتیک؛ سد خاکی؛ شبکه عصبی مصنوعی؛ فشار آب حفرهای | ||
مراجع | ||
Amiri Mijan F, Shirani H, Esfandiarpouri I, Besalatpour A and Shekofteh H, 2019. Identifying the determinant factors influencing S index in calcareous. Water and Soil Science 23(3): 381-394. (In Persian with English abstract).
Anonymous, 2013. Reporting the Behavior of Kabudwal Dam Golestan. Golestan: Kabudwal Dam Behavior Report (In Persian).
Can I and Yerdelen IC, 2007. Stochastic modeling of Karasu River (Turkey) using the methods of Artificial Neural Networks. Hydrology Days 2: 138-144.
Chandrashekar G and Sahin F, 2014. A survey on feature selection methods. Computers and Electrical 40: 16–28. (In Persian with English abstract)
Cucci G, Lacolla G, Pagliai M and Vignozzi N, 2015. Effect of reclamation on the structure of silty-clay soils. International Agrophysics Journal 29: 23-30.
Dawson CW and Wilby R, 1998. An artificial neural network approach to rainfall–runoff modeling. Hydrological Sciences Journal 1: 47–66.
Ebrahimzadeh A, Zarghami M and Nourani V, 2019. Evaluation of earth dam overtopping risk by system dynamics, Monte-Carlo Simulation and Latin Hypercube Sampling Methods (Case study: Hajilarchay Dam, Iran). Iran-Water Resources 15(1): 14-31. (In Persian with English abstract)
Eskandar H, Sadollah A and Bahreininejad A, 2012. Water cycle algorithm -A novel metaheuristic optimization method for solving constrained engineering optimization problems. Computers and Structures 110(111): 151–166.
Hill MC, 1998. Methods and Guidelines for Effective Model Calibration. U.S. Geological Survey Water.
Karunanithi N, Grenney WJ, Whitley D and Bovee K, 1994. Neural networks for river flow prediction. Journal of Computing in Civil Engineeirng 2: 201–220.
Komasi M and Beiranvand B, 2020. Study of vertical and horizontal displacements of eyvashan earth dam using instrumentation and numerical analysis. Iranian Journal of Soil and Water Research 51(1): 245-256. (In Persian with English abstract).
Kumar V and Minz S, 2014. Feature selection, a literature review. Smart Computing Review 4(3): 211-229.
Masters T, 1993. Practical Neural Network Recipes in C++. Academic Press.
Moghaddamnia A, Ghafari Gousheh M, Piri J, Amin S and Han D, 2009. Evaporation estimation using artificial neural networks and adaptive neuro-fuzzy inference system techniques. Advances in Water Resources 32: 88-97(In Persian with English abstract).
Nourani V, 2015. Basics of Hydroinformatics. Tabriz University Pess, 636p.
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(1): 183-195. (In Persian with English abstract).
Nourani V, Kisi O and Komasi M, 2011. Two hybrid artificial intelligence approaches for modeling rainfall–runoff process. Journal of Hydrology 402: 41–59.
Nourani V, Sharghi E and Aminfar MH, 2012. Integrated ANN model for earthfill dam's seepage analysis: Sattarkhan dam in Iran. Artificial Intelligence Research 1(2): 22-37. (In Persian with English abstract)
Nouri M and Salmasi F, 2017. 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.
Rankovic V, Grujovic N, Divac D and Milivojevic N, 2014. Development of support vector regression. Structural Safety 48: 33-39.
Salmasi F and Hakimi Khansar H, 2020. Simulation of behavior the Kabudval dam during construction with 3D numerical modeling. Amirkabir Journal of Civil Engineering 2(1): 25-39. (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). Water and Soil Science 22(4): 155-171. (In Persian with English abstract)
Sharghi E, Norani V and Behfar N, 2020. Implementation of data jittering technique for seepage analysis of earth fill dam using ensemble of AI models. Water and Soil Science- University of Tabriz 30(1): 29-41. (In Persian with English abstract)
Tayfure G, Swiatek D, Wita A and Singh VP, 2005. Case study: Finite element method and artificial neural network models for flow through Jeziorsko earthfill dam in Poland. Journal of Hydraulic Engineering 131(6): 431–440.
Vafaeian M, 2015. Earth Dams and Rockfill Dams. Isfahan: Arkan Danesh. 464p.
Wu K, Soci C, Shum PP and Zheludev I, 2014. Computing matrix inversion with optical networks. Optics Express 22(1): 295–304. | ||
آمار تعداد مشاهده مقاله: 317 تعداد دریافت فایل اصل مقاله: 261 |