پایشو پیشبینی شرایط هیدرولیکی نیمه اشباع در هسته سدهای خاکی بر مبنای آنالیز هوشمند داده

یکی از چالشهای امروز مهندسی ژئوتکنیک، عدم امکان ایجاد ارتباط بین نرمافزارهای عددی و مدلها ی مختلف مد یریتی است. در زمان بهرهبرداری واقعی از یکسد خاکی، شرایط مرز ی ناپای دار و عدم قطعی تدر خصوص یات ژئوتکنیکی مصالح،صحت طراحیهای قطعی اولیه را با تردید مواجه میسازد. کاربر، برای اعمال مدیریت صحیح خود در بهره بردار ی از یکسد، لازم است تا با در نظر گرفتن حالتهای مختلفتغییرات ممکن، به دفعات مدلهای عددی را اجرا کرده و هر بار از نتا یج آن دربرنامهریزی استفاده کند. برای اطلاع از شرایط هیدرولیکی واقعی سد در زمان بهرهبرداری، استفاده از ابزار هوش مصنوعی، یکراه آسان، سریع و نسبتاً دقیق است. چنانچه مدلهای هوش مصنوع ی از دقت مطلوب ی برخوردار باشند و به ازای کلیه شرا یط محتمل و بحرانی آموزشدیده باشند، میتوانند علاوه بر پایش، در پیشبینی و پیشگیری از حوادث ناگوار آینده نیز بکار آیند . دراین مقاله، قابلیت دو مدل ماشین بردار پشتیبانSVM و شبکه عصبی مصنوع یAANدر مدل سازی آنالیز غیرقطعی تراوش، مقایسه و ارزیابی شده است. تفاوت مدلSVMبا دیگر الگوریتمهای شبیهسازی هوشمند نظی رAANدر بکارگیری اصل حداقلسازی خطای ساختاری است. ارزیابی مقادیر فشار منفذی و گرادیان هیدرولیکی در هسته، توابع هدفدر این تحقیق میباشند. پارامترهای ورودی به این دو مدل، سرعتنوسانات تراز مخزن و شش شاخص غیرقطع ی تاثیرگذار بر تابع هدا یت هیدرولیکی a,n,m,sat, res, k satهستند که به ترتیببر اساسروشهای رگرسیونی و احتمالاتی محاسبه شدهاند . تدو ین مدلهای آنالیز هوشمند داده، بر مبنای اطلاعات سد خاکی علویان و مدلسازیهای عددی به روشاجزای محدود، صورت گرفته است. نتایج این مقاله، برتریSVM در رقابتباAANرا بر اساسشاخصهای آماری، نشان میدهد.

کلیدواژه ها:

در زمان واقعی ، شرایط مرزی ناپایدار ، عدمقطعیت ، محیط نیمه اشباع هسته ، ماشین بردار پشتیبان ، شبکه عصبی مصنوعی