این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
دانش آب و خاک، جلد ۳۳، شماره ۳، صفحات ۱۶۳-۱۸۱
عنوان فارسی ارزیابی مدل هیبریدی الگوریتم سنجاقک -شبکه عصبی مصنوعی برای مدل‌سازی نشست ‌سد‌های ‌خاکی‌ هنگام ساخت
چکیده فارسی مقاله برای اندازه‌گیری تغییر شکل‌های مقطع 19 سد کبودوال، انحراف سنج‌های قائم و صفحات مغناطیسی نشست‌سنجی به تعداد 17 عدد (M1 تا M17) در بدنه و پی آن، در دوران ساخت نصب گردیده است. در این مطالعه قابلیت الگوریتم هیبریدی DA-ANNدر زمینه مدل‌سازی نشست در زمان ساخت و تعیین ویژگی‌های مؤثر بر آن مورد مطالعه قرار گرفته است. برای ورودی مدل هیبریدی، پنج ویژگی شامل تراز خاک ریزی، زمان ساخت سد، تراز مخزن (آبگیری)، سرعت آبگیری و سرعت خاک ریزی انتخاب گردیده است. با اجرای الگوریتم هیبریدی، آنالیز حساسیت و روش انتخاب ویژگی ترکیب سه، سه و دو ویژگی‌ در صفحات M1، M5 و M9 به ترتیب با مقادیر خطا (RMSE) برابر 0023/0، 0024/0، 0026/0و ترکیب چهار ویژگی‌ در صفحه M13 با مقدار خطا (RMSE) برابر 0035/0 بهترین ترکیب ورودی بوده است. سه ویژگی زمان ساخت، تراز خاکریزی و تراز آبگیری به عنوان ویژگی‌های مشترک در همه صفحات، مؤثرترین ویژگی‌ها در مدل‌سازی نشست در صفحات منتخب بوده است. در صفحات نصب‌شده در ترازهای بالاتر، خطای مدل‌سازی افزایش یافته است زیرا در صفحه M1 (دارای پایین‌ترین تراز نصب)، مدل ANN با توجه به شاخص‌های آماری R^2،SI ، NSE و NRMSE به ترتیب برابر مقادیر 9997/0، 0079/0، 9997/0 و 0079/0 در دوره آزمون دارای بهترین عملکرد نسبت به سایر صفحات داشته است. تأثیر ویژگی‌های تراز آب مخزن بر صفحات نصب‌شده در ترازهای بالاتر با توجه به ضریب حساسیت بالا، بیشتر از سایر نقاط بوده است و تراز خاکریزی کمترین تأثیر را بر مدل‌سازی نشست داشته است.
کلیدواژه‌های فارسی مقاله الگوریتم سنجاقک، انتخاب ویژگی، زمان ساخت سد، مقطع عرضی سد، نشست،
عنوان انگلیسی Performance of Dragonfly Algorithm Hybrid Model - Artificial Neural Network for Modeling Settlement of Earth Dam during Construction
چکیده انگلیسی مقاله Background and ObjectivesPore water pressure, stress and settlement are the most important geotechnical parameters that must be constantly monitored during the construction of earth dams. Since measuring dam settlement directly at the time of dam construction requires cost and time, the development of artificial intelligence methods can be very effective. Most studies have been done in the field of modeling earth dams during construction with a numerical model; therefore the need for artificial intelligence modeling in this field seems to be necessary. Artificial intelligence models, including neural networks, are used for study and modeling many engineering sciences. Also, with the development of meta-heuristic algorithms, their combination with neural networks has become very wide-spreading due to more accurate results. So, The purpose of this study is to determine the most effective features in modeling settlement in the body of earthen dams at the time of construction as a case study (Kaboud-val dam) using the hybrid algorithm Dragonfly - artificial neural network in different points of the body of earthen dam at the time of construction. Therefore, in this research, new inputs in artificial intelligence modeling have been proposed for this purpose and their importance in different levels of installation has been investigated.Methodology Kaboud-val Dam is located in Golestan province of Gorgan and around the city of Aliabad. This dam is homogeneous and has a filter and inclined drainage. In order to obtain the deformations of the body and the foundation of Kaboud-val dam, settlement plates have been installed in different sections of the body and its foundation during the construction. In this study, instrumental data related to the section of 19 Kaboud-val dam were used. Also, out of 17 pages, 4 pages named M1, M5, M9 and M13 (installed in the body and Kabudwal dam at levels 140, 152, 164 and 180 meter, respectively) have been used for modeling. By analyzing the data of section 19 pages, fill level (F), reservoir level (RL), dam construction time (T), fill rate (FR) and impounding rate (RV) for inlet and landing (P) on terms of (kp), was selected as the output of the hybrid model in the feature selection method. In this study, in order to select the best combination of input features in the artificial neural network, the dragonfly algorithm was used. Feature selection is a method of selecting a subset of related attributes (the best combination of them) that is relevant to a particular goal. The most important principle is to choose stable features and remove extra data. The combination of dragonfly algorithm with artificial neural network as DA-ANN is shown, Therefore, the dragonfly algorithm (DA) models a variety of different combinations of features with an artificial neural network and selects the best least error combination (RMSE) as the optimal artificial neural network model. FindingsBy performing a hybrid algorithm, sensitivity analysis and feature selection method, combining the four features on pages M1, M5,M9 and M13 with error values (RMSE) of 0.0023(kPa), 0.0024(kPa), 0.0026(kPa), respectively, and combining the three features on the M13 page with the value Error (RMSE) equal to 0.0035(kPa) was the best input combination. The three features of construction time, fill level and reservoir level as common features in all plates are the most effective features in modeling the settlement on selected plates. On plates mounted at higher levels, the modeling error increases, because during the test period and for plate M13 (with the highest mounting level), according to the statistical indices R^2, SI, NSE and NRMSE are equal to the values of 0.9998, 0.0062, 0.9998 and 0.0062 respectively, have poorer performance than other pages. The effect of reservoir level feature on the plates installed at higher levels due to the high sensitivity coefficient is more than other points and the fill level feature has the least effect on subsidence modeling.Conclusion: The results are very important considering the cost of installing the measuring equipment and the significance of estimating the actual values in the future. The present study shows that the DA-ANN hybrid model is an important tool in predicting and selecting the best input combination for the intelligent model of the target variable of the settlement at the time of construction of earth dams. However, assessment of this model using the input data studied in different dams is necessary to ensure the application of these models in different conditions.
کلیدواژه‌های انگلیسی مقاله الگوریتم سنجاقک, انتخاب ویژگی, زمان ساخت سد, مقطع عرضی سد, نشست
نویسندگان مقاله حسین حکیمی خانسر |
دانشجوی دکترا، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

علی حسین زاده دلیر |
استاد، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایرانعضو هیات علمی دانشگاه تبریز

جواد پارسا |
استادیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

جلال شیری |
دانشیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

نشانی اینترنتی https://water-soil.tabrizu.ac.ir/article_15182_dd33fcc978e1bb193921236bf14bd177.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات