فهرست نشریات علمی دسترسی آزاد ایران

نفوذ‌پذیری یکی از پارامترهای مؤثر بر جریان آب در محیط‌های متخلخل مانند توده‌ سنگ و خاک می‌باشد که اهمیت ویژه‌ای در مطالعات ژئوتکنیکی مانند محل اجرای سازه‌های مهم و پراهمیتی مانند قطار شهری دارد و تعیین آن از اهداف اصلی در مطالعات ژئوتکنیک به شمار می‌رود. همچنین پارامتری مهم در حل مشکلات ژئوتکنیکی مانند نشت آب، محاسبه‌ نشست، تحلیل پایداری و غیره می‌باشد. به‌دلیل گران، تخصصی، وقت‌گیر و غیرمطمئن بودن روش‌های اندازه‌گیری مستقیم (صحرایی و آزمایشگاهی) این پارامتر و همچنین به علت رفتار غیرخطی و شرایط ناهمگن و ناهمسان حاکم بر محیط‌های هیدروژئولوژیکی که موجب عدم قطعیت ذاتی روش‌های اندازه‌گیری مستقیم این پارامتر می‌شود، در سال‌های اخیر روش‌های مختلف هوش مصنوعی با دقت بیشتری نسبت به روش‌های فوق و برای جبران بخشی از این نقایص ارائه شده‌اند. 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 1 و 2 قطار شهری تبریز برای پیش‌بینی هدایت هیدرولیکی بر اساس اطلاعات دانه‌بندی استفاده شد؛ سپس نتایج این دو مدل انفرادی توسط مدل شبکه‌ عصبی مصنوعی (ANN) ترکیب‌شده و با نام مدل هوشمند مرکب نظارت‌شده (SICM) موجب بهبودی نتایج گردید. مقایسه‌ نتایج مرحله‌ آزمایش سه مدل ارائه‌شده در این پژوهش نشان داد که هر سه مدل عملکرد نسبتاً مناسبی در پیش‌بینی هدایت هیدرولیکی داشتند؛ اما مدل ترکیبی SICM با داشتنcm/sec  000161/0 =RMSE (ریشه‌ میانگین مربعات خطا) و 83/0 R2=(ضریب تبیین) نسبت به مدل‌های انفرادی نتایج بهتری را ارائه داده است.