عنوان

مدل های ترکیبی بر اساس هوش مصنوعی برای آنالیز تراوش سد خاکی

‭۱۷۶۱۰پ‬

per

مدل های ترکیبی بر اساس هوش مصنوعی برای آنالیز تراوش سد خاکی

/نازنین بهفر

: عمران

، ‮‭۱۳۹۶‬

، میرزائی

چاپی

کارشناسی ارشد

مهندسی عمران گرایش آب و سازههای هیدرولیکی

‮‭۱۳۹۶/۰۶/۱۴‬

تبریز

شکست سدهای خاکی از موارد مهم در مهندسی عمران به شمار می رود که می تواند در اثر خرابی هیدرولیکی، خرابی حاصل از تراوش و یا خرابی سازه ای به وقوع بپیوندد .بسیاری از سدهای خاکی به علت تراوش در هسته آن ها در معرض خرابی و گسیختگی هستند، از این رو مسئله تراوش، از مسائل بسیار مهم در طی مراحل طراحی، ساخت و بهره برداری از این نوع سدها است .در این تحقیق مسئله تراوش سد خاکی ستارخان با استفاده از مدل های جعبه سیاه هوش مصنوعی ‮‭(Artificial Intelligence)‬ و مدل جعبه سیاه کلاسیک خودهمبسته تفاضلی با میانگین متحرک‮‭ARIMA) - (Auto Regressive Integrated Moving Average‬بر اساس ‮‭۳‬ سناریو مورد بررسی قرار گرفته است که در هر سناریو ترکیبات ورودی مختلفی برای مدلسازی و آنالیز شرایط متفاوت در نظر گرفته شده است .سپس برای بهبود عملکرد مدل سازی، روش ترکیب مدل ‮‭(Ensemble)‬ با استفاده از خروجی مدل های منفرد مذکور، به عنوان یک روش پس پردازش، به کار گرفته شده است .ترکیب مدل به سه روش میانگین گیری خطی ساده، میانگین گیری خطی وزن دار و میانگین گیری غیر خطی با استفاده از شبکه عصبی مصنوعی‮‭ANN) - (Artificial Neural Network‬انجام گرفته است .در ادامه به عنوان یک روش پیش پردازش برای بهبود عملکرد مدل سازی، سری های نوفه با توزیع نرمال، میانگین صفر و انحراف معیارهای مختلف تولید شده اند که با افزودن آن ها به داده های اصلی و تشکیل مجموعه های آموزشی مختلف، شبیه سازی تراوش با استفاده از مدل های هوش مصنوعی انجام شده است و دوباره در این مرحله از کار نیز روش پس پردازش ترکیب مدل به کار گرفته شده است .در نهایت نتایج مدل های جعبه سیاه با مدل عددی المان محدود‮‭FEM) - (Finite Element Method‬مورد مقایسه قرار گرفته است .نتایج حاکی از آن است که به کار گیری مدل های ترکیبی و به ویژه مدل ترکیبی غیرخطی با شبکه عصبی مصنوعی باعث افزایش عملکرد مدل سازی تا ‮‭۱۹‬ می شود .همچنین به کار گیری هر دو روش تولید داده مصنوعی و ترکیب مدل، در کل باعث بهبود دقت مدل سازی تا ‮‭۲۱‬ می شود .مقایسه نتایج مدل های جعبه سیاه با مدل عددی المان محدود نشانگر آن است که مدل های جعبه سیاه خصوصا مدل های هوش مصنوعی می توانند جایگزین مناسبی برای مدل عددی المان محدود باشند

Failure of earth fill dams is a great concern in Civil Engineering, which is attributed to Seepage failure, Hydraulic failure, Structural failure. Many earth fill dams are vulnerable to failures due to seepage problems that take place in the core, thus this problem is one of the most important challenges in the design, construction and operation of this type of dams. In this paper SattarKhan dam piezometric heights have been analyzed via Artificial Inteligence (AI) models and a classic black box Auto Regressive Integrated Moving Average (ARIMA) model, based on two scenarios. Each scenario has different input combinations for modeling of various conditions. Then ensemble models as post processing method, have been formed via outputs of the single black box models to improve modeling performance. Three methods of model ensemble were considered, namely simple linear averaging model, the weighted linear averaging model and the non-linear neural ensemble model. To continue, as a preprocessing method to improve the modeling performance, small normally distributed noises with the mean of zero and various standard deviations were generated and added to the smoothed time series to form different jittered training data sets, for simulation of seepage via Artificial Intelligence models. at this step, ensemble post processing method has been applied too. Finally, the results of black box models are compared with the Finite Element Method (FEM) model. Results show that employing model ensemble and in particular non-linear ensemble by neural network, improve the modeling accuracy up to 19 . Also applying both jittering and ensemble approaches improves the accuracy of modeling up to 21 . Comparing the results of black box models with the finite element numerical model indicates that black box models, especially artificial intelligence models, can be a suitable alternative for the numerical finite element model

بهفر، نازنین

شرقی، الناز، استاد راهنما

نورانی، وحید، استاد مشاور

سیاه و سفید

نمایه‌سازی قبلی