برآورد مقادیر نشت از سدهای خاکی با استفاده از روش های هوش مصنوعی

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 539

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JISE-42-1_007

تاریخ نمایه سازی: 12 تیر 1398

چکیده مقاله:

استفاده از پتوی رسی در مخازن سدها یکی از روش های اصلی کاهش نشت می باشد. در این مطالعه ابتدا با مدل سازی پتوی رسی در مخزن سد توسط روش المان محدود، با استفاده از تغییر پارامتر های موثر، 320 داده نشت به دست آمد. اعتبار سنجی روش المان محدود نیز با مقایسه نتایج نشت حاصل از روش المان محدود و نتایج آزمایشگاهی صورت گرفت. برای بررسی مناسب ترین مدل برای پیش بینی مقادیر نشت (حاصل از مدل سازی ها) از پنج روش هوش مصنوعی شامل: پرسپترون چند لایه (MLP)، برنامه نویسی بیان ژن(GEP)، تابع شعاعی(RBF)، رگرسیون بردار پشتیبان(SVR) و یک روش ترکیبی هوشمند از الگوریتم کرم شب تاب (FFA) با پرسپترون چند لایه (MLP-FFA) استفاده شد. برای همه روش های هوشمند مصنوعی، 75 درصد داده ها به عنوان آموزش و 25 درصد به عنوان تست در نظر گرفته شد. ترکیب های مختلف از داده های ورودی شامل نسبت ضریب نفوذپذیری پی به ضریب نفوذپذیری پتوی رسی ( )، نسبت طول پتوی رسی به تراز آب بالا دست ( )، ضخامت پی آبرفتی به ضخامت پتوی رسی ( )، طول پتوی رسی به عرض هسته ( ) و نسبت افقی به عمودی ضریب نفوذپذیری پی آبرفتی ( )  برای مقایسه روش های ذکر شده مورد استفاده واقع شد. نتایج حاصل از روش های هوشمند با شاخص های زیر مورد بررسی قرار گرفتند: ریشه میانگین مربعات خطا (RMSE)، میانگین قدر مطلق خطا (MAE)،  ضریب تبیین (R2)، نش ساتکلیف (NS)، شاخص ویلموت (WI) و دیاگرام تیلور. نتایج حاصل از مطالعه نشان داد که استفاده از روش هوشمند کرم شب تاب (FFA)، نتایج بسیار شبیه به مقادیر موجود دارد و می توان در بهینه سازی پیش بینی مقادیر نشت از آن استفاده کرد.

کلیدواژه ها:

الگوریتم کرم شب تاب ، مدل ترکیبی ، پیش بینی نشت ، سد خاکی

نویسندگان

میثم نوری

فارغ التحصیل کارشناسی ارشد، دانشگاه تبریز

فرزین سلماسی

دانشیار گروه مهندسی آب، دانشگاه تبریز.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Ahmed, M. and Sattar, A., 2014. Gene expression models for ...
  • Dehghani, N., Pirmoradian, N., Azimi, V. and Khanmohammady, S., 2013. ...
  • Derin, U. and Mert tolon, S. M., 2008. Slope Stability ...
  • Ferreira, C., 2001. Gene expression programming: A new adaptive algorithm ...
  • Fu, Q., Jiang, R., Wang, Z. and Li, T., 2015.  ...
  • Gocic, M., Petkovic, M., Trajkovic, S., Shamshirband, S. H., Moetamedi, ...
  • Haykin, S., 1999. Neural Networks: A Comprehensive Foundation. Prentice-Hall Inc.NJ. ...
  • Kavousi, A., Samet, H. and Marzbani, F., 2014. A new ...
  • KazemzadehParsi, M., 2014. A modified firefly algorithm for engineering design ...
  • Khalili Shayan, H. and Amiri Tokaldany, E., 2015.  Effects of ...
  • Khalili Shayan, H. and Amiri Tokaldani, E., 2012. Experimentally and ...
  • Khan, M. S. and Coulibaly, P., 2006. Bayesian neural network ...
  • Khatibi, A., Pourebrahim, S. H. and Danehkar, A., 2015. Application ...
  • Nourani, V. and Babakhani, A., 2013. Integration of Artificial Neural ...
  • Rahimi, H., 2004. Embankment Dams, Tehran University Press, (In Persian). ...
  • SEEP/W., 2012. Seepage Modeling with SEEP/W. Geo-Slope International Ltd, Calgary. ...
  • Talatahari, S., Hosseini, A., Mirghaderi, S. R. and Rezazadeh, F., ...
  • Tayfu, G., Swiate, D., Wita, A. and Singh, V., 2005. ...
  • Taylor, KE., 2001. Summarizing multiple aspects of model performance in ...
  • USACE., 1986. Seepage analysis and control for dams. Department of ...
  • USBR., 2014. Embankment dams, chapter 8, seepage, phase 4. U. ...
  • Vapnik, VK., 1999. An Overview of Statistical Learning Theory. IEEE ...
  • Yang, X. S. 2010. Firefly Algorithm, Stochastic Test Functions and ...
  • نمایش کامل مراجع