عنوان

مدل‌سازی تراوش با استفاده از یادگیری عمیق و تبدیل موجک

شماره

پ۲۴۹۵۵

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

مدل‌سازی تراوش با استفاده از یادگیری عمیق و تبدیل موجک

نام نخستين پديدآور

زهرا داداش پور

نام ناشر، پخش کننده و غيره

فنی و مهندسی عمران

تاریخ نشرو بخش و غیره

۱۴۰۰

نام خاص و کميت اثر

۹۲ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

عمران گرايش محيط زیست

زمان اعطا مدرک

۱۴۰۰/۰۶/۱۷

متن يادداشت

باتوجه‌به محدود بودن منابع آب استفاده از سدسازی در مناطق مختلف جهان برای کنترل، ذخیره و انتقال آب از کهن‌ترین فعالیت‌های مهندسی عمران به شمار می‌رود. یکی از انواع سد جهت ذخیره‌سازی آب، سد خاکی می‌باشد. این نوع سدها از مصالح خاکی ساخته می‌شوند، بنابراین بروز تراوش در سدهای خاکی امری اجتناب‌ناپذیر است. عدم توجه به پدیده تراوش باعث ایجاد فرسایش و ازبین‌رفتن پایداری شیروانی‌ها می‌شود؛ بنابراین با محاسبه مقدار دقیق دبی نشست از بدنه و پی سد و درنظرگرفتن مسائل فنی و اقتصادی می‌توان از خطرات جانی و مالی محتمل، جلوگیری می‌شود. در این پژوهش مسئله تراوش از بدنه سد خاکی ستارخان با استفاده از روش یادگیری عمیق (Deep Learning) که زیرمجموعه‌ای از یادگیری ماشین (Machine Learning) است، در سه سناریو مورد بررسی قرار گرفته است. برای تخمین مقدار تراوش با استفاده از پیزومترهای به کار گذاشـته شـده در مقطع عرضی سد و ارتفاع سطح آب مخزن، از شبکه‌های بازگشتی عمیق مانند شبکه حافظه بلند - کوتاه‌مدت (Long Short-Term Memory-LSTM) و شبکه بازگشتی دروازه‌دار (Gated Recurrent Unit-GRU) استفاده شده است. در این شبکه‌ها به دلیل وجود ساختار بازگشتی، اطلاعات هر لایه به لایه‌های بعدی منتقل می‌شود. به همین دلیل اطلاعات مهم سیستم از بین نمی‌رود و در تمام مدت پیش‌بینی حفظ می‌شود. بعد از اثبات برتری ساختار چند ورودی به یک خروجی (Many to One) نسبت به ساختار یک‌به‌یک (One to One) نشان‌داده‌شده است که تنظیم پارامترهای شبکه‌های بازگشتی عمیق چگونه می‌تواند در عملکرد شبکه تأثیر بگذارد. سپس با افزایش لایه‌ها تأثیر افزایش عمق در شبکه‌های عمیق بررسی شده است. در گام بعدی برای افزایش کارایی مدل‌سازی و بررسی تأثیر پیش‌پردازش داده‌ها، تبدیل موجک‌های گسسته و پیوسته در 4 ترکیب مختلف به داده‌های ورودی اعمال شده و مدل‌سازی با ورودی‌های تجزیه شده صورت‌گرفته است. نتایج حاصله ضمن تأیید قابلیت و کارایی دو شبکه LSTM و GRU در تخمـین تراوش از سد، نشـانادامه چکیده:می‌دهد که افزایش عمق در شبکه‌های عمیق باعث افزایش عملکرد مدل‌سازی نسبت به شبکه با یک لایه بازگشتی، تا 15 % می‌شود و استفاده از تبدیل موجک مناسب در پیش‌پردازش داده‌ها باعث بهبود دقت مدل‌سازی تا 22 % می‌شود. همچنین به‌کارگیری هر دو روش افزایش عمق و استفاده از تبدیل موجک، در کل باعث بهبود دقت مدل‌سازی تا 27 % می‌شود.

عنوان گونه گون

Seepage Modeling Using Deep Learning and Wavelet Transform

عنصر شناسه اي

‏داداش پور،

ساير عناصر نام

‏‏ زهرا

کد نقش

تهيه کننده

عنصر شناسه اي

‏نورانی،

عنصر شناسه اي

‏شرقی،

ساير عناصر نام

‏ وحید

ساير عناصر نام

‏ الناز

تاريخ

استاد راهنما

تاريخ

استاد مشاور

عنصر شناسه اي

‏ تبریز