پیش بینی هدایت هیدرولیکی از روی اطلاعات دانه بندی خاک با استفاده از مدل هوشمند SICM

نفوذ پذیری یکی از پارامترهای موثر بر جریان آب در محیط های متخلخل مانند توده سنگ و خاک می باشد که اهمیت ویژه ای در مطالعات ژئوتکنیکی مانند محل اجرای سازه های مهم و پراهمیتی مانند قطار شهری دارد و تعیین آن از اهداف اصلی در مطالعات ژئوتکنیک به شمار می رود. همچنین پارامتری مهم در حل مشکلات ژئوتکنیکی مانند نشت آب، محاسبه نشست، تحلیل پایداری و غیره می باشد. به دلیل گران، تخصصی، وقت گیر و غیرمطمئن بودن روش های اندازه گیری مستقیم (صحرایی و آزمایشگاهی) این پارامتر و همچنین به علت رفتار غیرخطی و شرایط ناهمگن و ناهمسان حاکم بر محیط های هیدروژئولوژیکی که موجب عدم قطعیت ذاتی روش های اندازه گیری مستقیم این پارامتر می شود، در سال های اخیر روش های مختلف هوش مصنوعی با دقت بیشتری نسبت به روش های فوق و برای جبران بخشی از این نقایص ارائه شده اند. در این مطالعه از دو روش هوش مصنوعی منفرد شامل مدل ماشین بردار پشتیبان کمینه مربعات (LSSVM) و مدل هیبرید موجکی عصبی (WANN) در خطوط ۱ و ۲ قطار شهری تبریز برای پیش بینی هدایت هیدرولیکی بر اساس اطلاعات دانه بندی استفاده شد؛ سپس نتایج این دو مدل انفرادی توسط مدل شبکه عصبی مصنوعی (ANN) ترکیب شده و با نام مدل هوشمند مرکب نظارت شده (SICM) موجب بهبودی نتایج گردید. مقایسه نتایج مرحله آزمایش سه مدل ارائه شده در این پژوهش نشان داد که هر سه مدل عملکرد نسبتا مناسبی در پیش بینی هدایت هیدرولیکی داشتند؛ اما مدل ترکیبی SICM با داشتنcm/sec  ۰۰۰۱۶۱/۰ =RMSE (ریشه میانگین مربعات خطا) و ۸۳/۰ R۲=(ضریب تبیین) نسبت به مدل های انفرادی نتایج بهتری را ارائه داده است.

کلیدواژه ها:

قطار شهری تبریز ، ماشین بردار پشتیبان ، مدل هوشمند مرکب نظارت شده ، هدایت هیدرولیکی ، هیبرید موجکی عصبی