عنوان

آنالیز تراوش در سد خاکی تهم با استفاده از مدل‌های شبکه عصبی مصنوعی و ریاضی

پ۲۴۷۱۵

per

آنالیز تراوش در سد خاکی تهم با استفاده از مدل‌های شبکه عصبی مصنوعی و ریاضی

سامان کریمی

پردیس بین المللی ارس

۱۳۹۹

۹۲ص.

سی دی

کارشناسی ارشد

عمران آب

۱۳۹۹/۱۱/۲۸

:در طول یکصد سال گذشته، علت 32 درصد از تخریب‌های گزارش‌شده در سدهای خاکی، پدیده تراوش و نشت از قسمت‌های مختلف بوده است. ازاین‌رو بررسی و پیش‌بینی تغییرات تراوش در سدهای خاکی می‌بایست موردتوجه قرار گیرد. یکی از روش هایی که در سال های اخیر در زمینه پیش بینی مورد توجه قرار گرفته، استفاده از شبکه عصبی مصنوعی و مدل سازی در این زمینه می باشد. در این مطالعه جهت بررسی ارتفاعات پیزومتریک بدنه سد خاکی تهم از مدل شبکه عصبی مصنوعی چندلایه پیشرو استفاده گردید. در مدل شبکه عصبی مصنوعی مانند سایر مدل‌های جعبه سیاه نیاز به جزئیات اطلاعات فیزیکی سد وجود نداشته و فقط با استفاده از داده‌های چندساله سطح ایستابی در پیزومترهای کار گذاشته‌شده در بدنه سد و همین‌طور ارتفاع آب در بالادست و پایین‌دست سد اقدام به واسنجی و صحت سنجی مدل‌های ارائه‌شده برای هر پیزومتر گردید. به‌منظور مقایسه نتایج به‌دست‌آمده از مدل جعبه سیاه شبکه‌های عصبی مصنوعی نسبت به مدل‌های معمول ریاضی (عددی) ، سد تهم با روش المان‌های محدود (Finite Element Method – FEM) تحت نرم‌افزار SEEP/W مدل شد و هد آب به‌دست‌آمده از این نرم‌افزار با ارتفاع آب مشاهداتی در 3 پیزومتر و نتایج حاصل از شبکه‌های عصبی مصنوعی مقایسه گردید.نتایج حاکی از آن بود که در هر 3 پیزومتر خطای محاسباتی توسط شبکه عصبی کمتر از مدل SEEP/W می باشد و کمترین خطای پیش بینی مربوط به پیزومتر شماره 5-10 و بیشترین خطا مربوط به پیزومتر شماره 2-10 می باشد. با توجه به اینکه اغلب شرایط طبیعی یک سد خاکی بعد از ساخت بنا به مشکلات اجرایی ایده آل نخواهد بود استفاده از یک مدل پویا که براساس داده های مشاهداتی و شرایط موجود پایه ریزی شده باشد می تواند پرفایده باشد

Over the past 100 years, 32% of the damage reported to earthen dams has been caused by seepage and leakage from various parts. Therefore, the study and prediction of seepage changes in earthen dams should be considered. One of the methods that has been considered in the field of forecasting in recent years is the use of artificial neural networks and modeling in this field. In this study, a leading multilayer artificial neural network model was used to investigate the piezometric heights of the body of the Tahm earthen dam. In the artificial neural network model, like other black box models, there is no need for detailed physical information of the dam, and only using multi-year data of water table in piezometers installed in the dam body, as well as water height upstream and downstream of the dam, calibration and validation of models Presented for each piezometer. Then, by introducing and adding another neuron to the input layer called the position neuron, to which the index of each piezometer is assigned, a single model capable of three-dimensional modeling was created and tested and validated. In order to compare the results obtained from the black box model of artificial neural networks with the usual mathematical (numerical) models, the Tahm dam was modeled by the Finite Element Method (FEM) under SEEP / W software and the water head obtained from this software with water height Observations at 3 piezometers and the results obtained from artificial neural networks were compared. The results showed that in every 3 piezometers the computational error by the neural network is less than the SEEP / W model and the lowest prediction error is related to piezometer number 5-10 and the highest error is related to piezometer number 2-10. Given that most natural conditions of an earthen dam after construction will not be ideal due to operational problems, using a dynamic model based on observational data and existing conditions can be useful.

Taham Earthfill Dam Seepage Analysis Using ANNs and a Mathematical Model

‏کریمی،

‏‏ سامان

تهيه کننده

‏شرقی،

‏نورانی،

‏ الناز

‏ وحید

استاد راهنما

استاد مشاور

‏ تبریز